[发明专利]一种人脸识别神经网络

说明书

本发明涉及人工智能技术领域，尤其涉及一种人脸识别神经网络，其特征在于，应用于一嵌入式系统；人脸识别神经网络包括：具有次序的预设数量的卷积层；具有次序的预设数量的池化层；除第一个以外的每个卷积层的输入端依次连接一个池化层的输出端；每个卷积层分别包括反映输出的特征数量的输出特征数量参数，反映学习快慢的学习速率参数，反映每次学习的程度的步长参数，以及用于激活自身的激活模型；其中，激活模型为最大特征图模型；能够形成适用于嵌入式环境的模型，消耗的计算资源少，计算功耗小；消耗的计算资源少，计算功耗小，能够使用于嵌入式平台，可移植性高。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种人脸识别神经网络。

背景技术

人脸识别技术是通过分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是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识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有一些较好的特征，比如：非强制性、非接触性、并发性、不易被察觉等。人脸识别利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。

传统的人脸识别实际上是图像处理和机器学习的结合，就是从图像中找出人脸区域，从人脸区域提取出特征数据，通过对比特征值计算相似度，但由于特征提取算法都是人工设计的特征，很难适应比较复杂的情况，比如光线强弱变化、有遮挡等，实际应用中准确率不高。但随着最近几年深度学习技术的兴起，越来越多基于深度学习的人脸识别技术出现，使得人脸识别的准确率大幅提高。不过，由于深度学习实现的算法为了达到更高的准确率模型非常大，参数量也很多，要求的计算资源也非常高，在嵌入式平台部署时速度很慢。

通常而言，基于深度学习的人脸识别算法，模型越是复杂，算法的准确率就越高，但同时模型文件就越大。在嵌入式平台，这需要更多的存储及内存空间，并且由于计算资源有限，不能运行太复杂的深度学习算法或者能运行但速度非常慢，不能达到实用的要求。

发明内容

针对上述问题，本发明提出了一种人脸识别神经网络，其中，应用于一嵌入式系统；所述人脸识别神经网络包括：

具有次序的预设数量的卷积层；

具有次序的所述预设数量的池化层；

除第一个以外的每个所述卷积层的输入端依次连接一个所述池化层的输出端；

每个所述卷积层分别包括反映输出的特征数量的输出特征数量参数，反映学习快慢的学习速率参数，反映每次学习的程度的步长参数，以及用于激活自身的激活模型；

其中，所述激活模型为最大特征图模型。

上述的人脸识别神经网络，其中，第一个所述卷积层的所述步长参数为2。

上述的人脸识别神经网络，其中，每个所述卷积层的所述输出特征数量参数分别为128。

上述的人脸识别神经网络，其中，第一个所述卷积层的所述学习速率参数为1。

上述的人脸识别神经网络，其中，所述预设数量为10。

上述的人脸识别神经网络，其中，第五个所述卷积层的卷积核大小为1。

上述的人脸识别神经网络，其中，第五个所述卷积层的步长参数为1，所述输出特征数量参数为512。

上述的人脸识别神经网络，其中，最后一个所述池化层输出的是256维的特征向量。