[发明专利]基于深度神经网络的人脸识别方法

说明书

本发明涉及一种基于深度神经网络的人脸识别方法。其通过在简化网络结构，降低计算时间代价的情况下实现高的识别正确率。本发明采用的方法步骤包括人脸检测，人脸对齐，特征提取和身份比对；所述的人脸检测、对齐的方法为：采用由粗到细的自动编码网络(CFAN)检测5个面部关键点，根据检测到的5个面部关键点旋转裁剪校准成256×256×3像素的正姿态人脸图片，通过级联多个栈式自编码网络，在越来越高分辨率的人脸图像上逐步优化人脸对齐结果；所述的特征提取和身份比对的方法为：采用10层深度人脸网络来提取人脸特征，所述的10层深度人脸网络包括7个卷积层和3个全连接层，通过训练和测试两部分进行区别。

技术领域

本发明涉及一种基于深度神经网络的人脸识别方法。

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，通常也叫做人像识别、面部识别。传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。因而，鲁棒的人脸特征表示在人脸识别上至关重要。

人脸识别是计算机视觉和机器学习最典型的课题，当前的人脸识别技术主要被应用到了以下几个方面：

(1)刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。

(2)证件验证在许多场合(如海口，机场，机密部门等)证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。

(3)视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。

(4)入口控制，入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。

(5)表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。

一般来说，传统的人脸识别系统有四大模块：人脸检测，人脸对齐、特征提取和身份鉴定。众所周知，人脸识别最大的挑战就是人与人之间的外貌差别太小，和人脸内部的外观变化，比如发型、表情、年龄和光照的改变。在过去的10年里，人脸表示大多基于人工编码的局部描述和基于浅层学习的表示模型。随着深度学习技术的快速发展，人脸表示也变得更加有效，特别是在实际应用的复杂场景中。与之前的人工编码方法比较，深度学习的人脸识别是以数据驱动的方式来学习的，它可以保证更好的验证性能。

在过去的几十年里，很多人脸识别方法是基于几何特征，如Gabor小波，局部二元模式(LBP)及其高尺寸变异，尺度不变特征变换(SIFT)，方向梯度直方图(HOG)，定向边值模式，局部量化模式(LQP)等，然而，设计一个有效的特征描述器需要大量的专业知识和工作。

除了基于集合特征的人脸识别方法外，基于学习的人脸识别方法也倍受欢迎。基于过滤器学习的方法最大化了对人脸的鉴别能力，它在许多预先训练的对象筛选器中对人脸进行识别，基于编码学习的方法被用来提高人脸识别的鲁棒性。

最近，人脸特征被中级或高级语义信息来进行描述，例如，汤姆和彼得分类器利用大量的人脸分类的输出分数对具有高级语义的人脸进行编码。与深度学习方法不同，上述方法仍然是浅层模型，主要依靠人脸的几何特征。