[发明专利]一种人脸识别方法和系统

说明书

技术领域

本发明主要涉及图像识别技术领域，具体涉及一种人脸识别方法和系统。

背景技术

人脸识别作为一种重要的生物识别技术之一，具有成本低、用户易接受、可靠性高等优点，在身份认证、安防监控、人机交互等领域具有广泛的应用前景。卷积神经网络是一个受生物视觉启发、以最简化预处理操作为目的的多层感知器的变形，是一种高效的识别方法，近几年来通过深度学习并逐步应用到各个领域，卷积神经网络通过逐层卷积降维进行特征提取，然后经过多层非线性映射，使网络可以根据训练样本的特点，自动学习形成适合该识别任务的特征提取器和分类器。

随着社会的发展，技术的进步，科技对人们的影响越来越大，人们对于人脸鉴别的需求越来越强烈，然而在不同场景下，角度不同，摄像机分辨率不同以及不同场景下光照也不一致等问题，导致同一个行人很容易被误判为同一行人。传统的特征提取并不能提取到足够多更细致的特征信息。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种人脸识别方法和系统。

本发明解决上述技术问题的技术方案如下：一种人脸识别方法，包括如下步骤：

步骤S1：分别对样本库中的人脸样本图像和测试库中的人脸测试图像进行对齐处理；

步骤S2：构建多层特征融合卷积神经网络，通过所述多层特征融合卷积神经网络对对齐后的人脸样本图像进行人脸特征识别训练，得到训练后的多层特征融合卷积神经网络；

步骤S3：将对齐后的人脸测试图像输入完成训练的多层特征融合卷积神经网络中进行人脸识别，从而识别出人脸测试图像中的人脸。

本发明的有益效果是：能够通过多层特征融合卷积神经网络提取人脸浅层特征，然后将其与深层特征融合来进行人脸识别，在识别准确性以及可靠性方面都得到很大程度的提升，通过landmark方法将待处理的人脸样本图像和测试库中的人脸测试图像进行对齐处理，能够加快识别人脸特征的进程。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤S1具体包括：

步骤S101：利用回归树集合Ensemble of Regression Trees算法对人脸样本图像和人脸测试图像进行人脸检测，再对检测到的人脸进行人脸特征点Landmarks检测，分别获得多个人脸样本图像的Landmark点和多个人脸测试图像的Landmark点；

步骤S102：当对齐人脸样本图像时，随机从多个人脸样本图像的Landmark点中选取预设的n个Landmark点以及预设的标准人脸模板的Landmark点，一并代入构建的仿射矩阵H中，通过变换得到新仿射矩阵，根据新仿射矩阵的变换值来对齐人脸样本图像；

步骤S103：当对齐人脸测试图像时，随机从多个人脸测试图像的Landmark点中选取预设的n个Landmark点以及预设的标准人脸模板的Landmark点，一并代入构建的仿射矩阵H中，通过变换得到新仿射矩阵，根据新仿射矩阵的变换值来对齐人脸测试图像。

进一步，所述仿射矩阵H为

设仿射矩阵H各Landmark点的坐标为(x,y)，经过仿射矩阵H变换后，得到各Landmark点的新坐标(x',y')

采用上述进一步方案的有益效果是：通过landmark方法对人脸样本图像和测试库中的人脸测试图像进行预处理，能够使多层特征融合卷积神经网络更快速更准确的识别人脸特征。

进一步，所述多层特征融合卷积神经网络包括依次连接的卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3、池化层Pool3和卷积层Conv4；还包括与所述池化层Pool1依次连接的卷积层Conv6和卷积层Conv7，与所述池化层Pool2连接的卷积层Conv5；所述卷积层Conv4通过全连接层Fc1与连接层Concat连接，所述池化层Pool3通过全连接层Fc2与连接层Concat连接，所述卷积层Conv5通过全连接层Fc3与连接层Concat连接，所述卷积层Conv7通过全连接层Fc4与连接层Concat连接；还包括分类层softmax，所述分类层softmax通过全连接层Fc5与连接层Concat连接。

进一步，所述卷积层Conv对输入的图像进行卷积运算，并通过神经元激活函数计算卷积的输出；

所述池化层Pool对卷积层输出的图像进行下采样来减小图像的尺寸；

所述全连接层Fc将上一层的任何一个神经元节点都与下一层的所有神经元节点连接；