[发明专利]基于深度学习的快速人脸角度识别方法

说明书

技术领域：

本发明涉及人脸识别领域，特别是涉及一种基于深度学习的快速人脸角度识别方法。

背景技术：

人脸角度识别技术是对于采集到的每张含有人脸的图像，可以快速准确地得到图像中人脸的三维角度信息，可以利用这些信息做进一步的人脸识别，人脸角度识别是计算机视觉领域和人脸识别领域的一个重要研究方向,是人脸识别系统中至关重要的一步,具有广泛的应用价值和良好的市场前景，现有的人脸角度识别技术有基于模板的方法、基于人脸集合特征的方法等，但这些方法存在一定的局限性，仅能识别小范围的单个方向上的人脸角度变化，针对光照变化、局部遮挡和表情变化等影响因素的鲁棒性不高，对于复杂的多方向同时变化的人脸角度无法确定。

发明内容：

本发明的目的是为了克服上述现有技术的不足，提供一种可以快速地同时进行三个维度的人脸角度识别的基于深度学习的快速人脸角度识别方法。

上述的目的通过以下的技术方案实现：

一种基于深度学习的快速人脸角度识别方法，该方法包括如下步骤：（1）将旋转0°、正负15°、正负30°和正负45°时的人脸图像进行标记来建立数据库；（2）将角度标签经过五层卷积模块进行特征提取，经过两层全连接，转化为2048维的特征向量，作为softmax分类层的输入，进行分类从而建立卷积神经网络结构；（3）基于ubuntu 16.04操作系统，GPU1080下，在深度学习框架CAFFE下对卷积神经网络进行训练，得到人脸角度识别模型。

所述的基于深度学习的快速人脸角度识别方法，所述的建立数据库的具体过程为：该数据库为300个不同的人的人脸图像，共7000张，该数据库中的图像包括头部在三维垂直坐标系中绕每个轴旋转0°、正负15°、正负30°和正负45°时的人脸图像，将旋转角度归一化为0-1之间的值作为标签值，对每张图像中的人脸角度做标注，标注后的图像用于神经网络的训练。

所述的基于深度学习的快速人脸角度识别方法，所述的建立卷积神经网络结构的具体过程为：输入层接受输入数据，得到图像数据及其相应标签值，建立数据集为包含三个标签值，分别对应三维坐标系每个轴旋转的角度标签，然后经过五层卷积模块进行特征提取，每个卷积模块包括卷积层和池化层，将提取到的特征向量输入到全连接层，经过两层全连接，将特征图转化为2048维的特征向量，作为softmax分类层的输入，进行分类，三个标签对应三个并列的分类层，每个分类层得到人脸在三维坐标系中绕每个轴旋转的角度。

所述的基于深度学习的快速人脸角度识别方法，所述的得到人脸角度识别模型的具体过程为：基于ubuntu 16.04操作系统，GPU1080下，搭建CAFFE 深度学习框架，将训练用数据集输入到卷积神经网络，经过100000次训练，得到人脸角度识别模型，调用该模型进行人脸角度识别测试实验，识别每张人脸的耗时在0.02秒以内，识别出的人脸三维角度误差在3°以内。

有益效果：

1.本发明根据采集到的包含人脸的二维图像，同时得到图像中人脸的三维角度，为进一步的人脸识别提供方便，进而提高在现实环境自然状态下的人脸识别准确率。

本发明包括数据库的建立、卷积神经网络结构设计，利用建立的数据集在深度学习框架下训练神经网络，得到人脸角度识别模型，调用该模型可实现人脸三维角度的实时识别。

本发明识别每张人脸的耗时在0.02秒以内，识别出的人脸三维角度误差在3°以内，可以实现快速准确的人脸角度识别。

附图说明：

附图1是本发明的结构示意图。

附图2是本发明的卷积神经网络结构图。

具体实施方式：

实施例1：

一种基于深度学习的快速人脸角度识别方法，该方法包括如下步骤：（1）将旋转0°、正负15°、正负30°和正负45°时的人脸图像进行标记来建立数据库；（2）将角度标签经过五层卷积模块进行特征提取，经过两层全连接，转化为2048维的特征向量，作为softmax分类层的输入，进行分类从而建立卷积神经网络结构；（3）基于ubuntu 16.04操作系统，GPU1080下，在深度学习框架CAFFE下对卷积神经网络进行训练，得到人脸角度识别模型。

实施例2：