[发明专利]一种人脸识别方法与系统

说明书

技术领域

本发明涉及图像识别技术领域，具体来说是一种人脸识别方法及系统。

背景技术

近年来，主流人脸识别方法是使用深度卷积神经网络。这类人脸识别方法 缺点是，卷积神经网络模型比较大，在几十MB到上百MB，并且由于计算量 大，只能运行在GPU上。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种人脸识别方法，包括如下步骤：S1： 获取并预处理图像；S2：提取人脸特征；S3:比较所述人脸特征之间的距离，并 得出第一比较结果；及S4:根据所述第一比较结果得出结论；其中步骤S2中， 使用深度卷积神经网络提取人脸特征，全卷积网络设有16个卷积层，每个所述 卷积层的卷积核大小为1×1和3×3，除最后一个卷积层外，每个卷积层均使用 批归一化层进行归一化；归一化后使用RELU激活函数进行激活；使用softmax 损失函数和中心损失函数的组合进行训练。

可选地，步骤S1进一步包括：S11：从视频数据流中解码并获得单帧图像； S12：检测所述单帧图像中的人脸所在的区域；S13：定位人脸关键点，并获取 人脸关键点信息；S14：将所述人脸关键点信息与预存的标准脸的标准脸关键点 信息对比，使得所述人脸与所述标准脸对齐。

可选地，步骤S3进一步包括：S31：使用余弦距离比较所述人脸特征与所述 标准脸的标准脸特征的距离，并产生第二比较结果；S32：当所述第二比较结果 高于预设的阈值时，判断为同一人脸；当所述第二比较结果低于所述阈值时， 判断为不同人脸。

可选地，步骤S14进一步包括：根据5个所述人脸关键点信息和5个所述标准 脸关键点信息构建变换矩阵，使用仿射变换进行人脸对齐。

可选地，步骤S12中，检测所述单帧图像中的人脸所在的正方形区域。

根据本申请的另一个方面，提供了一种人脸识别系统，包括：图像获取和 预处理模块，其配置成获取和处理图像；深度卷积神经网络训练模块，其配置 成根据预设的损失函数进行深度卷积神经网络模型的训练；人脸特征提取模块， 其配置成根据所述深度卷积神经网络模型提取人脸特征；距离比较模块，其配 置成比较人脸特征与预存的标准脸特征的距离，并产生比较结果；及结果输出 模块，根据所述比较结果得出结论。

可选地，所述图像获取和预处理模块进一步包括：视频解码模块，其配置 成将摄像头获取的视频码流解码为单帧图片；人脸检测模块，其配置成通过级 联卷积神经网络检测图片中的人脸位置；关键点定位模块，其配置成通过级联 卷积神经网络定位人脸的关键点；人脸对齐模块，其配置成根据关键点进行仿 射变换，实现人脸对齐。

本申请由于深度卷积神经网络模型中不包含全连接层，由1×1和3×3的卷 积层组成。因此，能够显著减少网络参数和计算量，最终模型小于2M。

进一步地，本申请的深度卷积神经网络模型结合了中心损失函数，能够实 现快速高效人脸识别。

根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将 会更加明了本申请的上述以及其他目的、优点和特征。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实 施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人 员应该理解，这些附图未必是按比例绘制的。附图中：

图1为本发明一实施例中人脸识别方法流程示意图；

图2为本发明一实施例中人脸识别方法流程示意图；

图3为本发明一实施例中人脸识别方法流程示意图；

图4为本发明一实施例中人脸识别系统结构示意图；

图5为本发明一实施例中人脸识别系统结构示意图；

图6为本发明一实施例中深度卷积神经网络结构；

图7为本发明一实施例中一种计算机设备的示意图；

图8为本发明一实施例中一种计算机可读存储介质的示意图。

具体实施方式