[发明专利]一种基于深度残差网络的人脸识别方法

权利要求书

1.一种基于深度残差网络的人脸识别方法，其特征在于，包含以下步骤：

A、图像采集器采集人脸图像并存储至存储器中；

B、人脸检测模块检测人脸区域，同时定位人脸的关键点；

C、裁剪出人脸区域图像，并根据人脸的关键点进行对齐；

D、对人脸区域图像进行训练，计算出训练集中的平均人脸图像，把人脸图像训练集中的每副人脸区域图像减去平均人脸图像后进行网络参数的训练得到卷积神经网络的模型；

E、利用训练得到的模型前向网络，获得人脸图像的特征向量；

F、计算特征向量间的距离，完成分类，完成对人脸的识别。

2.根据权利要求1所述的一种基于深度残差网络的人脸识别方法，其特征在于，所述步骤B中人脸检测方法包括以下步骤：1)对于给定的输入图像，进行图像金字塔操作，选定图像的行，列的最小值，以12/检测的最小框宽度得到的数作为缩放次数，选定0.709作为缩放因子，得到若干个不同缩放比例的输入图像，这一步的目的是能够针对不同大小人脸进行候选框的检测；2)使用3个3x3的全卷积网络，第一个3x3的卷积后3x3的最大池化层，使用该网络来生成候选窗和边框回归向量；3)使用阈值0.6得到候选框，这些候选框通过极大值抑制算法，设定阈值为0.5合并候选框；4)将这些候选框框的点映射到原始没有经过scale的图中，得到了候选框的原始坐标；5)再次使用极大值抑制算法对候选框进行合并，选定阈值为0.7，最终得到第一步的候选框输出；6)将上一步得到所有候选框提取出来，并规整到24x24的大小，输入至卷积神经网络中，并根据人脸分类的值，进一步对候选进行筛选，类似于3),4),5)中的操作，对目标框位置进行筛选；7)类似于第6)步的操作，进一步对目标框进行筛选，并得到最终的输出结果，即人脸框，人脸框的置信度以及人脸关键点坐标。

3.根据权利要求1所述的一种基于深度残差网络的人脸识别方法，其特征在于，所述步骤C中人脸对齐的方法包括以下步骤：1)根据人脸检测的坐标截取出人脸图像；2)使用仿射变换将原坐标映射变换为新坐标；3)根据坐标变换方法，原图像变换为新图像，即为规整后的图像。

4.根据权利要求1所述的一种基于深度残差网络的人脸识别方法，其特征在于，所述步骤D中训练模型的方法包括以下步骤：1)对人脸图像进行归一化并作为训练的输入，图像像素值/127.5–1，归一化区间为[-1,1]，2)上一步的输出送入主干网络进行卷积，主干网网络结构由3个3x3的卷积，接一个3x3的最大池化层，接一个1x1的卷积，接一个3x3卷积，接一个3x3卷积组成；3)上一步的输出送入残差网络A进行卷积，4)上一步的输出送入降维网络A进行卷积与池化；5)上一步的输出送入残差网络B进行卷积，6)上一步的输出送入降维网络B进行卷积池化，7)上一步的输出送入残差网络C进行卷积，分支0网络是1x1卷积，分支1网络是1x1卷积，接一个1x3的卷积，接一个3x1卷积，两个分支合并，再接一个1x1卷积后做残差；8)结果输出层，包括平均池化层，Dropout层，全链接层，平均池化层输出为8×8×1792,Dropout层keep_probe的值为0.8，全链接层输出为batch_size×128。

5.根据权利要求1所述的一种基于深度残差网络的人脸识别方法，其特征在于，所述步骤F具体是：1)128维特征向量计算余弦距离；2)将余弦距离值映射为[0,100]区间；3)映射的值与设定的阈值比较，完成识别。

6.根据权利要求4所述的一种基于深度残差网络的人脸识别方法，其特征在于，所述残差网络A结构如下：分支0网络是1x1卷积，分支1网络是1x1卷积，接一个3x3卷积，分支2网络是1x1卷积,接一个3x3卷积，再接一个3x3卷积，三个分支合并后1x1卷积，卷积后做残差。

7.根据权利要求4所述的一种基于深度残差网络的人脸识别方法，其特征在于，所述降维网络A结构如下：分支0网络是3x3，步长为2的卷积，分支1网络是1x1卷积，接一个3x3卷积，接一个3x3，步长为2的卷积，分支2网络是3x3，步长为2的卷积,三个分支合并。