[发明专利]一种基于CNN模型的人脸识别方法、装置及存储介质

说明书

本申请公开了一种基于深层卷积神经网络CNN模型的人脸识别方法，包括：获取待识别人脸图像。将待识别人脸图像输入预训练的CNN模型，得到第一数值。若第一数值不大于预设数值，则确定识别失败。本申请实施例还提供相应的人脸识别装置以及存储介质。本申请技术方案通过将待识别人脸图像输入本申请提供的CNN模型，得到第一数值，并将第一数值与预设值比较，得出识别结果，降低人脸识别技术应用在设备中的运算量，提升运行速度。

技术领域

本申请涉及人脸识别技术领域，具体涉及一种基于深层卷积神经网络CNN模型的人脸识别方法。

背景技术

深层卷积神经网络(convolutional neural network，CNN)是当前深度学习领域的网络模型之一，通过多个CNN模型分别提取人脸图像的不同位置的子图像块的图像特征并将提取的图像特征进行融合，是一种有效地提高人脸识别系统性能的方法，已被广泛地应用于人脸识别技术中，人脸识别系统在各领域如互联网、监控、金融、公安、学校和监所等都有着广泛的应用。

但是，目前的的人脸识别技术应用在嵌入式设备中存在运行速度慢的问题。

发明内容

本申请实施例提供一种基于深层卷积神经网络CNN模型的人脸识别方法，解决人脸识别技术应用在嵌入式设备中存在运行速度慢的问题。

为达到上述目的，本申请实施例提供如下技术方案：

本申请第一方面提供一种基于深层卷积神经网络CNN模型的人脸识别方法，可以包括：获取待识别人脸图像。将待识别人脸图像输入预训练的CNN模型，得到第一数值。若第一数值不大于预设数值，则确定识别失败。

可选地，结合上述第一方面，在第一种可能的实现方式中，还可以包括：对待识别人脸图像进行近红外线摄像。若无法获取待识别人脸图像的近红外图像，则确定识别失败。相应的，获取待识别人脸图像，可以包括：若获取到待识别人脸图像的近红外图像，则根据近红外图像获取待识别人脸图像。

可选地，结合上述第一方面第一种可能的实现方式，在第二种可能的实现方式中，在获取待识别人脸图像之后，方法还可以包括：将待识别人脸图像的尺寸设置为预设尺寸。

可选地，结合上述第一方面、第一方面任意一种可能的实现方式，在第三种可能的实现方式中，CNN模型，可以包括：卷积层，inception层，bottleneck层和全连接层。相应的，将待识别人脸图像输入预训练的CNN模型，得到第一数值可以包括：待识别人脸图像经过卷积层，inception层，bottleneck层和全连接层后得到第一数值。

可选地，结合上述第一方面第三种可能的实现方式，在第四种可能的实现方式中，inception层连接在第一目标卷积层之后，bottleneck层连接在inception层之后，全连接层连接在bottleneck层之后。

可选地，结合上述第一方面第四种可能的实现方式，在第五种可能的实现方式中，还可以包括：将第二目标卷积层和第三目标卷积层进行向量化处理后串联得到第四目标卷积层。

可选地，结合上述第一方面第四种或第一方面第五种可能的实现方式，在第六种可能的实现方式中，inception层可以包括3个inception模块，bottleneck层可以包括2个bottleneck模块。

本申请第二方面提供一种深层卷积神经网络CNN模型，可以包括：卷积层，inception层，bottleneck层和全连接层。待识别人脸图像经过卷积层，inception层，bottleneck层和全连接层后得到第一数值，若第一数值不大于预设数值，则确定识别失败。

可选地，结合上述第二方面，在第一种可能的实现方式中，可以包括：inception层连接在第一目标卷积层之后，bottleneck层连接在inception层之后，全连接层连接在bottleneck层之后。