[发明专利]一种基于caffe深度学习框架的人脸识别方法

权利要求书

1.一种基于caffe深度学习框架的人脸识别方法，其特征在于，该方法包括以下步骤：

步骤(1)、建立人脸识别数据库；

步骤(2)、将数据库图像进行预处理；

步骤(3)、用caffe框架搭建卷积神经网络；

步骤(4)、使用基于caffe的并行框架训练深度神经网络模型；

步骤(5)、调用训练完毕之后的caffe模型进行测试。

2.根据权利要求1所述的一种基于caffe深度学习框架的人脸识别方法，其特征在于，步骤(1)包括以下步骤：

步骤(101)、从网络上爬取亚洲人脸图像，要求每幅图中仅有一人，并标注出人脸位置以及该人名字，若有重名者只选取其中一人，做到名字与人脸一一对应；

步骤(102)、将数据库图像进行增强处理，通过对图像的镜面转换、像素变换、颜色变换的方法扩充数据库，进行数据增强，以便于进行后续的特征提取；将标注好的图片分文件夹存储，每个名字对应一个文件夹；一个文件夹下需存储10-20张图片。

3.根据权利要求1所述的一种基于caffe深度学习框架的人脸识别方法，其特征在于，步骤(2)具体包括以下处理过程：

步骤(201)、人脸检测与对齐：将建立好的数据库送入多任务级联卷积神经网络中进行人脸检测并将角度倾斜的人脸进行校正即人脸对齐；

步骤(202)、将所检测、对齐后的人脸裁剪成112*96的固定大小。

4.根据权利要求1所述的一种基于caffe深度学习框架的人脸识别方法，其特征在于，所述步骤(3)的用caffe框架搭建卷积神经网络，其构建流程具体包括以下处理过程：

步骤(301)、卷积神经网络包含五个卷积层，五个ReLu激活函数层、五个最大池化层、一个全连接层、一个softmax分类层；在model.prototxt文件中设置卷积核大小及卷积步长，池化层的大小、步长以及全连接层的参数、softmax层的分类数以及各个层之间的相互连接方式；

步骤(302)、在sovler.prototxt文件中设置整个迭代过程所需的迭代次数、批尺寸(batch size)、学习率、及每次学习率下降的步长值(step value)；并选择两块GPU同时进行训练。

5.根据权利要求1所述的一种基于caffe深度学习框架的人脸识别方法，其特征在于，所述步骤(4)的基于caffe的并行框架训练深度神经网络模型，其训练流程具体包括以下处理步骤：

步骤(401)、将裁剪后的人脸送入基于caffe的并行框架训练卷积神经网络中，逐级提取出人脸的特征，选用交叉熵函数，对卷积神经网络逐层的权值进行训练，通过引入动量的随机梯度下降法(SGD)不断降低损失函数、优化权值，以提取出人脸特征；损失函数为交叉熵损失函数，具体表达式如下：

其中，p是判定结果为真实标签的概率，y为标记的真实标签；

步骤(402)、得到已训练好的神经网络模型，输出人脸特征向量；将提取好的特征向量送入softmax分类器，所分类个数即为所训练数据集中人名的个数；最终的输出为属于每一类的得分或者概率；

步骤(403)、每次训练完后观察损失函数的收敛情况，若出现发散现象则及时调整学习率及步长值(step value)的大小；比对多次训练结果，得到最佳权值，结束网络训练，训练完毕之后生成一个caffe模型文件以储存权值。

6.根据权利要求1所述的一种基于caffe深度学习框架的人脸识别方法，其特征在于，步骤(5)具体包括以下处理步骤：

步骤(501)、设定待测的人脸样本图像为单人图像；首先经过多任务级联卷积神经网络先将待测图像进行人脸检测与对齐裁剪，之后将大小为112*96的待测图像以名字设为标签；

步骤(502)、将待测图像输入训练好的卷积神经网络中，该待测图像可为多人脸或复杂环境图像；经过训练后的神经网络具备识别能力，若识别出上一步骤中的人脸样本图像中的人脸，即可输出此人的名字。