[发明专利]一种基于capsule的人脸识别方法

说明书

本发明涉及一种基于capsule的人脸识别方法，采用VGG网络+capsule网络训练网络模型得到优化后的网络模型，将多个人脸图像输入优化后的网络模型得到多个向量值，所有向量值构成人脸查询数据库；最后设置阈值，将未知人脸图像输入优化后的网络模型中得到待识别向量值，将该待识别向量值与所有已知向量值求欧氏距离，选出绝对值最小的距离作为最小距离，并将该最小距离与阈值进行比较：如果最小距离大于阈值，那么表示该未知人脸图像不在人脸查询数据库中；否则与待识别向量值求欧氏距离得到最小距离小的那个已知向量值所对应的人脸图像与未知人脸图像为同一人。该方法在有干扰情况下具有较高的识别精度。

技术领域

本发明涉及计算机技术领域，尤其涉及机器视觉、深度学习技术领域，具体涉及一种基于capsule的人脸识别方法。

背景技术

随着时代的发展，人脸识别技术被广泛的应用于我们生活的方方面面，比如：服务机器人、安防领域、以及现在很火的利用人脸识别技术解锁我们的手机。虽然人脸识别技术已经被广泛的应用，但其并不是一项完全成熟的技术，在光照、背景、以及使用者表情的干扰下，现在的人脸识别技术并不能很好的工作，识别准确性低。

发明内容

针对现有技术存在预测准确率低的技术问题，本发明的目的是提供一种基于capsule的人脸识别方法，该识别方法的识别准确率高。

为实现上述目的，本发明采用如下技术方案：一种基于capsule的人脸识别方法，包括如下步骤：

S1：训练网络模型：

获取人脸图像数据集，将人脸图像数据集中的人脸图像依次输入VGG网络进行处理，并对应的输出的特征图集；

再将得到的所有特征图对应的转化为一维向量作为capsule网络的输入，并建立损失函数，根据损失函数的值更新VGG网络和capsule网络参数，经过多次迭代，多次更新VGG网络和capsule网络参数，最后得到优化后的网络模型；

S2：建立人脸查询数据库：将需要识别的人的图片输入优化后的网络模型得到他们对应的编码，将这些编码记为已知编码，将所有已知编码保存下来构成人脸查询数据库；

S3：未知人脸图像识别：设置阈值，并将未知人脸图像输入优化后的网络模型中，得到未知人脸图像对应的编码，记为待识别编码，将该待识别编码与所有已知人脸查询数据库中的已知编码求欧式距离，选出值最小的距离作为最小距离，并将该最小距离与阈值进行比较：

如果最小距离大于阈值，那么表示该未知人脸图像不在人脸查询数据库中；

如果最小距离小于或等于阈值，那么与待识别编码求欧氏距离得到最小距离小的那个已知编码为目标编码，所述目标编码对应的人脸图像与未知人脸图像为同一人。

作为改进，所述S1a中的VGG网为VGG16网络。

作为改进，所述1训练网络模型的训练方法为：将所述人脸图像数据集的人脸图像分为K组，每组由三张人脸图像组成，所述三张人脸图像分别为同一个人的两张不同人脸图像和一张不同人的人脸图像；

所述训练网络模型由第一子网络、第二子网络和第三子网络三个完全相同的子网络组成，每次迭代训练时，将一组人脸图像中的三张人脸图像分别输入第一子网络、第二子网络和第三子网络三条子网络中，所述每条子网络输出一个编码；

将得到的三个编码输入损失函数，根据损失函数的值分别更新第一子网络中的VGG网络参数和capsule网络参数、第二子网络中的VGG网络参数和capsule网络参数以及第三子网络中的VGG网络参数和capsule网络参数,所述三个网络的更新幅度一样，更新之后第一子网络、第二子网络和第三子网络的参数保持一致，经过多轮迭代得到优化后的第一子网络、优化后的第二子网络和优化后的第三子网络，优化后的第一子网络或优化后的第二子网络或优化后的第三子网络为优化后的训练网络模型。