[发明专利]一种基于深度学习的人脸特征提取方法

说明书

一种基于深度学习的人脸特征提取方法，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。

技术领域

本发明属于电箱、电箱测试仪技术领域，具体而言是一种PUD测试台。

背景技术

人脸识别是一种基于人的脸部特征信息进行身份识别的生物识别技术。与其他生物特征相比，人脸特征具有天然性、方便性和非接触性等优点，使其在安全监控、身份验证、人机交互等方面具有巨大的应用前景。

随着监控摄像头的广泛应用，人脸识别系统的市场需求也在逐渐扩大，然而，在这些应用中被监控人群大多数处于非约束状态，当前的人脸识别产品和人脸识别系统都需要对检测到的人脸具有一定的限定或者是要求。这些限定条件已经成为人脸识别技术推广和应用的主要障碍。存在这些限定条件是因为：在非可控条件下，复杂干扰因素将导致人脸识别精度极具下降，不能满足应用需求。在非可控条件下，不仅可能存在强光变化、大范围的姿态变化、夸张的表情变化、有意或者是无意的遮挡、图像分辨率的高低等严重的干扰因素，而且这些因素可能随机组合地出现在视频人脸图像中。这些复杂干扰将导致同一个人的人脸识别依然是一个非常困难的问题。

因此，人脸识别技术非常具有研究价值。一般而言，人脸识别过程分为两个过程：人脸特征提取和人脸相似度得分值计算。人脸特征提取过程是提取人脸图片的一些关键特征形成人脸特征向量，人脸相似度得分值计算过程是计算两个人脸特征向量之间的相似度，相似度越高则表明两张人脸图片越有可能来自于同一个人，反之，则越表明两张人脸图片来自于不同的人。在某些情况下，更关心的是人脸特征提取部分。

现有的人脸特征提取方法包括第一类：LBP(局部二值模式)方法和它的变种方法等，这些局部纹理特征提取方法通过对整张人脸图片进行分块统计形成直方图向量，并将各个块的直方图向量级联最终形成人脸特征向量。由于这种方法是对整张人脸进行局部纹理特征提取，因此，其所形成的特征向量维数是比较大的，并且其中包含了一些冗余信息。此外，这种方式对于复杂环境下表情或姿态的变化并不鲁棒，准确率受到环境因素影响的影响，近些年越来越多的深度模型，尤其是卷积神经网络(CNN)被用来提取深层视觉特征，通过模仿人大脑皮层的神经网络，采用卷积、池化、非线性变化等手段提出的卷积神经网络模型，可以获取更抽象更本质的视觉特征。但仍然存在人脸图像受到光照、表情、姿态、化妆等多种因素的影响，给人脸图像特征的提取带来了很大的干扰，从而大大降低了识别的效率。

第二类：SIFT特征提取方法已被广泛应用于一般物体的识别，它的主要思想是找到图像在不同尺度下的关键点，并用方向直方图来描述关键点作为图像的特征向量。然而，SIFT方法用于人脸图像时，不能准确定位到人脸中的关键点，因为其主要适用于具有较高对比度的一般物体的识别，而人脸图像之间具有较高的相似性。

第三类：基于几何特征的人脸特征提取，该方法当人脸受到遮挡时，从图像中提取稳定的特征比较困难，鲁棒性差；

第四类：基于主成分分析的人脸特征提取，该方法容易受光照、人脸旋转和面部表情变化的影响；

第五类：基于模板匹配的人脸特征提取，该方法对人脸面部的大的表情变化很敏感。

第六类：基于多层神经网络的特征提取，该方法效果准确度直接依赖于网络结构。

综上所述，针对现有技术中存在的问题，有必要提供一种具有实用性、新颖性的装置。

发明内容