[发明专利]一种基于深度学习的快速人脸识别方法

权利要求书

1.一种基于深度学习的快速人脸识别方法，其特征在于，所述的快速人脸识别方法包括下列步骤：

S1、利用人脸数据库，训练人脸检测分类器，根据检测结果对弱分类器个数、强分类器个数进行调节优化；

S2、对人脸数据库进行人脸检测并进行裁剪，作为人脸识别方法的训练集和验证集；

S3、设置批数据的大小和基本学习率，利用训练集对卷积神经网络模型SqueezeNet进行训练，并根据训练结果判断模型的泛化能力并通过扩充数据量来防止过拟合；

S4、将卷积神经网络模型SqueezeNet的特征提取和分类功能分离，首先，将删除Softmax Loss层和全连接层后的卷积神经网络模型SqueezeNet作为人脸识别模型进行特征提取，提取人脸图像的256维的特征向量，然后，通过特征分类器对特征进行分类；

S5、以欧氏距离衡量特征之间的相似度进行分类，并根据ROC评价标准确定欧氏距离的分类阈值。

2.根据权利要求1所述的一种基于深度学习的快速人脸识别方法，其特征在于，所述的步骤S1中训练人脸检测分类器的过程如下：

S11、利用Adaboost算法，采用MIT人脸数据库进行训练；

S12、训练得出分类器后，利用包含不同姿态和光照条件下、不同背景下的加州理工大学的人脸数据库进行测试；

S13、将级联分类器作为决策树，通过多层检测的检测结果，对弱分类器个数、强分类器个数进行调节，以实现对分类器的结构的调整测试，得出检测结果最优的分类器结构，其中，级联分类器是由一系列强分类器串联组成的，每层强分类器包含多个弱分类器，强分类器的判断结果由各个弱分类器的投票加权平均结果得出。

3.根据权利要求1所述的一种基于深度学习的快速人脸识别方法，其特征在于，所述的步骤S2过程如下：

S21、对CASIA-WebFace人脸数据集进行人脸检测并进行裁剪；

S22、把CASIA-WebFace人脸数据集分成两部分，第一部分为每个人的图片集的前10张，这部分作为验证集，用于评估模型的泛化能力；第二部分为剩余的图片，这部分作为训练集，用于模型的训练。

4.根据权利要求1所述的一种基于深度学习的快速人脸识别方法，其特征在于，所述的步骤S3过程如下：

S31、对批数据的大小和基本学习率进行设置；

S32、根据模型输出的测试准确率和训练准确率相差是否悬殊来判断模型的泛化能力，并通过将数据集中的图像进行左右映射来扩充数据量，作为防止过拟合的措施。

5.根据权利要求1所述的一种基于深度学习的快速人脸识别方法，其特征在于，所述的卷积神经网络模型SqueezeNet由1个数据层、1个卷积层、8个Fire module、4个池化层、1个Softmax Loss层、1个全连接层、1个准确率层和1个accuracy_top5层组成。