[发明专利]一种以卷积神经网络作为特征提取器的人脸识别方法

说明书

技术领域

本发明涉及一种以卷积神经网络作为特征提取器的人脸识别方法，属于个人身份识别技术领域。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术。目前，人脸识别技术已经广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域，并愈来愈成为诸多企业的热门研究方向，并期待其在更多应用领域下产生更大的作用。

传统的人脸识别方法是基于传统的特征提取及特征分类方法：例如较热门的特征脸(Eigenface)方法即基于主成分分析(PCA)方法，来进行待识别人脸图像的分类，但这些特征分类方法有一个关键的问题：即稳定性不足，难以实现多场景多环境多姿态的人脸识别，而新出现的基于深度学习的人脸识别方法虽然能解决前述的问题，但由于其对于应用框架有较高的要求，难以实现良好的环境移植以及数据库增减的效果。其中，CNN即指卷积神经网络，RNN即指循环神经网络，DNN即指深度神经网络。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种以卷积神经网络作为特征提取器的人脸识别方法。

为解决上述技术问题，本发明提供一种以卷积神经网络作为特征提取器的人脸识别方法，其特征在于，包括如下步骤：

步骤SS1：根据识别需要，构建待识别人脸图像数据库，按需要形成训练集、测试集；

步骤SS2：提取CNN模型为特征提取器；

步骤SS3：以CNN模型提取待识别人脸库图像的待识别特征向量，并保存；

步骤SS4：利用特征分类器对提取出的训练集、测试集数据进行分类。

优选地，所述步骤SS2中的所述提取模型为特征提取器包括如下步骤：

步骤SS21：采集标准数据库，构建标准训练、测试数据集；

步骤SS22：利用标准数据库，构建CNN神经网络进行训练；

步骤SS23：判断神经网络的训练效果是否达到预期目标，若不满足，则重新设计网络结构，并转入步骤SS22，否则判断为符合，视为训练成功，并提取CNN模型为特征提取器。

优选地，所述特征分类器采用K最近邻算法。

优选地，所述K最近邻算法包括如下步骤：

步骤SS41：准备待识别人脸图像数据库，对待识别人脸图像数据库进行预处理，得到训练元组集、测试元组集；

步骤SS42：选用合适的数据结构存储训练元组和测试元组；

步骤SS43：设定参数k；

步骤SS44：维护一个大小为k的的按距离由大到小的优先级队列，用于存储最近邻训练元组；随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列；

步骤SS45：遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L与优先级队列中的最大距离Lmax；

步骤SS46：进行比较，若L大于等于Lmax，则舍弃该元组，遍历下一个元组；若L<Lmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列；

步骤SS47：遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别；

步骤SS48：测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值。

优选地，所述步骤SS1中的待识别人脸图像数据库以及训练集、测试集作为所述步骤SS2中的特征提取器的输入，从而得到相应的输出的特征向量以作为后续身份识别的依据。

优选地，所述步骤SS4中的所述利用特征分类器对提取出的训练集、测试集数据进行分类具体包括：利用特征分类器对提取出的特征向量进行分类计算，从而得到待分类图像的身份信息，完成基于卷积神经网络的完整的人脸识别分类。