[发明专利]人脸识别方法和装置

说明书

技术领域

本申请涉及一种人脸识别方法和装置。

背景技术

使用深度神经网络学习有效的深度人脸表示来进行人脸识别，已经成为很有前途的人脸识别方法。由于使用了较好的深度网络结构和监督方法，近年来人脸识别的准确度得到了快速提升。DeepFace算法和DeepID算法分别被提出，以通过大量的人脸识别任务去学习身份相关的人脸特征。DeepID2算法通过结合联合人脸身份验证任务学习深度人脸特征，实现了进一步提升。DeepID2+通过对之前的特征提取层增加每层的特征维度和增加联合身份验证监督信号的方式，进一步改进了DeepID2。DeepID2+在一些广泛评估的人脸识别数据集中，取得了目前最好的面部识别结果。然而，DeepID2+的网络结构仍然与具有交错卷积和池化层的传统卷积神经网络相似。

在一般的对象识别领域中，已有一些成功的尝试改进传统的卷积神经网络。VGG网络和GoogLeNet是两个代表。VGG网络提出使用小卷积核进行连续卷积。特别地，它在每两个池化层之间堆叠了两层或三层3×3卷积。GoogLeNet将多尺度卷积和池化并入初始创建的单个特征提取层中。为了学习有效的特征，复合卷积层(inception layer)引入1×1卷积，以降低更大卷积之前和池化之后的特征图的数量。

发明内容

在本申请的一个方面，公开了一种人脸识别装置。该装置可包括提取器和识别器，提取器具有多个深度特征提取层，这些深度特征提取层从一个或多个输入图像中提取识别特征；识别器与提取器电子通信，并基于提取的识别特征识别输入图像的人脸图像。

在本申请的一个实施例中，每个深度特征提取层包括N个多卷积模块和M个池化模块，每个N和M都是大于1的整数。首个多卷积模块从输入图像提取局部特征，且后续的多卷积模块从在前的池化模块输出的提取特征图中，提取进一步的局部特征，其中，每个池化模块从各自的多卷积模块接收局部特征，并且降低接收到的特征的维度。从所有的提取层获得的特征被连接成作为识别特征的特征向量。

在本申请的一个实施例中，每个池化模块被设置在相邻两个多卷积模块之间、在一个多卷积模块和一个相邻的多路复合卷积模块(multi-inception modules)之间，或者在相邻的两个多路复合卷积模块之间。

在本申请的一个实施例中，每个深度特征提取层还包含一个或多个的多路复合卷积模块。每个多路复合卷积模块对从在前连接的池化模块接收的特征执行多尺度卷积操作，并降低接收的特征的维度。除了每个深度特征提取层的最后的池化模块、最后的多卷积模块、或最后的多路复合卷积模块以外，在该深度特征提取层中的每个多卷积模块和多路复合卷积模块后跟随有一池化模块，并且每个池化模块后跟随有一多卷积模块或者一多路复合卷积模块。

作为示例，每个多路复合卷积模块可包含一个或多个串接的复合卷积层。每个复合卷积层接收从在前的复合卷积层输出的特征作为其输入，并且该复合卷积层被配置为对接收到的特征执行多尺度卷积操作和池化操作，以获得多尺度卷积特征图和局部恒定的特征图，且在多尺度卷积操作之前和池化操作之后执行1×1卷积操作，以在多尺度卷积操作之前和池化操作之后降低特征图的维度。获得的多尺度卷积特征图和获得的局部恒定特征图被堆叠在一起，以形成下一层的输入特征图。

具体地，每个复合卷积层包括：一个或多个第一1×1卷积操作层，第一1×1卷积操作层被配置为，接收从在前的特征提取层输入的特征图并对接收的特征图执行1×1卷积操作，以压缩特征图的数量；一个或多个多尺度卷积操作层，被配置为，对从各自的1×1卷积操作层接收的压缩后的特征图，执行N×N卷积操作，以形成多个第一输出特征图，其中N＞1。一个或多个池化操作层，被配置为，对从在前的复合卷积层输入的特征图的局部原始区域进行池化，以形成局部恒定的特征图；和一个或多个第二1×1卷积操作层，被配置为，对从池化操作层接收的局部恒定特征图执行1×1卷积操作，以压缩特征图的数量从而获得多个第二输出特征图。一个或多个第三卷积操作层被配置为，从在前的复合卷积层接收输入特征图，并且对接收的特征图执行1×1卷积操作，以压缩特征图的数量从而获得多个第三特征图。第一特征图、第二特征图和第三特征图被堆叠在一起，以形成用于输入多个复合卷积层中的后续复合卷积层的特征图，或者用于输入下一个特征提取模块的特征图。