[发明专利]一种基于深度学习的人脸特征提取方法

权利要求书

1.一种基于深度学习的人脸特征提取方法，其特征在于，包括以下步骤：

步骤1：初始化输入图像尺寸为W*W，卷积核大小为K*K，步长为S，填充大小为P，输出个数为NUM和各层的权重为θi；

步骤2：准备人脸图像数据；

步骤3：构建具有46层的深度学习的人脸特征提取网络；

步骤4：将准备的人脸图像数据输入到步骤3中构建的人脸特征提取网络中，训练softmax分类器；

步骤5：启动人脸特征提取网络，进行网络训练：网络训练T时间后，通过微调求对人脸特征提取网络进行精度提升，最终出来的权重系统θ，即为所求模型；通过该模型对未知样本进行特征提取，流程结束。

2.根据权利要求1中所述的一种基于深度学习的人脸特征提取方法，其特征在于，初始化输入图像尺寸设置为227*227，卷积核大小设置为K*K，步长设置为S，填充大小设置为P，输出个数设置为NUM,随机初始化权重系统设置为θi。

3.根据权利要求1中所述的一种基于深度学习的人脸特征提取方法，其特征在于，所述步骤3中的人脸特征提取网络的构建如下：

第一层：数据输入层，输入图像数据：数据长宽为227*227，图像数据取值范围：0-255；

第二层：卷积层conv1：卷积核大小：11*11；步长：4；输出个数：96；

第三层：激活层relu1：使用relu函数为激活函数；

第四层：池化层pool1：卷积核大小：3*3；步长：2；池化类型：最大值；填充：1；

第五层：卷积层：卷积核大小：1*1；步长：4；输出个数：256；

第六层：bn层：采用全局归一化；

第七层：scale层：全局缩放；

第八层：卷积层：卷积核大小：1*1；步长：1；输出个数：64；

第九层：bn层：采用全局归一化；

第十层:scale层：全局缩放；

第十一层:激活层：使用relu函数为激活函数；

第十二层：卷积层：卷积核大小：3*3；步长：1；输出个数：64；填充：1；

第十三层：bn层：采用全局归一化；

第十四层：scale层：采用全局缩放；

第十五层：激活层：使用relu函数为激活函数；

第十六层：卷积层：卷积核大小：1*1；步长：1；输出个数：256；填充：1；

第十七层：bn层：采用全局归一化；

第十八层：scale层：采用全局缩放；

第十九层：Eltwise层：相加得到最终的；

第二十层：激活层：使用relu函数为激活函数；

第二十一层：卷积层：卷积核大小：1*1；步长：1；输出个数：64；

第二十二层：bn层：采用全局归一化；

第二十三层：scale层：采用全局缩放；

第二十四层：激活层：使用relu函数为激活函数；

第二十五层：卷积层：卷积核大小：3*3；步长：1；输出个数：64；填充：1；

第二十六层：bn层：采用全局归一化；

第二十七层：scale层：采用全局缩放；

第二十八层：激活层：使用relu函数为激活函数；

第二十九层：卷积层：卷积核大小：1*1；步长：1；输出个数：256；

第三十层：bn层：采用全局归一化；

第三十一层：scale层：采用全局缩放；

第三十二层：Eltwise层：得到res2b＝res2b+res2b_branch2c；

第三十三层：激活层：使用relu函数为激活函数；

第三十四层：卷积层conv2：卷积核大小：3*3；步长：1；输出个数：384；填充：1；

第三十五层：激活函数relu2：使用relu函数为激活函数；

第三十六层：卷积层conv3：卷积核大小：3*3；步长：1；输出个数：384；填充：1；

第三十七层：激活函数relu3：使用relu函数为激活函数；

第三十八层：卷积层conv4：卷积核大小：3*3；步长：1；输出个数：256；填充：1；

第三十九层：激活函数relu4：使用relu函数为激活函数；

第四十层：池化层pool4：卷积核大小：7*7；步长：1；池化类型：均值；

第四十一层：全连接层fc5：输出个数：4096；

第四十二层：激活函数relu5：使用relu函数为激活函数；

第四十三层：全连接层fc6：输出个数：4096；

第四十四层：激活函数relu6：使用relu函数为激活函数；

第四十五层：全连接层fc7：输出个数：1000；

第四十六层：分类器prob。