[发明专利]人脸识别方法和人脸识别装置

说明书

本发明提出了一种人脸识别方法和人脸识别装置，其中，人脸识别方法包括：采集人脸图像；采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；根据特征间距与识别阈值的比较结果，输出识别结果。通过本发明的人脸识别方法，实现了实时人脸检测，利用特征向量的差异对比人脸图像与人脸样本图像，无需进行图片与图片之间的对比，有效提高人脸识别准确率和识别速度。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种人脸识别方法、一种人脸识别装置。

背景技术

人脸识别任务是在一个包含K个用户的数据库，输入一张图片，然后判断图片中的人是不是在数据库中，若在则输出用户ID，若不在则输出未识别。传统的人脸识别技术常用One-shot learning(一次性学习)，即将人的图片输入神经网络，使用softmax单元(归一化单元)进行分类识别，适用于小样本学习，但在深度学习任务中只有一个学习样本，只能训练一次，仅通过单单一张图片，去识别一个人，准确度较低，在公司人脸识别考勤应用场景中，若有新员工加入公司，则需要重新训练神经网络，过程较为繁琐，而且人脸识别技术受限于机器资源和实时性部署的需求，在进行人脸检测时，通常采用opencv(计算机视觉库)自带的人脸Haar(哈尔)特征分类器和dlib(人脸识别库)检测系统进行实时人脸检测，其中，Haar特征分类器存在无法检测侧面、歪斜、光线不好的图像的问题，dlib检测系统的检测精度又较低。在进行特征识别时，通常将解决移动设备的视觉识别任务的CNN(卷积神经网络)架构，如MobilenetV1(轻量级网络模型一代)，ShuffleNet(混洗网络模型)，MobileNetV2(轻量级网络模型二代)延用到人脸识别上，或者采用FaceNet(人脸识别网络模型)直接进行识别，但是这些网络模型中都有一个GAP(global average pooling layer，全局平均池化层)，赋予最后一层feature_map(特征图)同等的权重，使网络获取的信息有偏差，例如，在最后一个特征图中，虽然中心点的感知域(RF2)和边角点的感知域(RF1)尺寸是一样的，可它们处在图片的不同位置，中心点的感知域包括了完整的图片，边角点的感知域却只含部分的图片，因此在最后一个特征图中RF2单元和RF1单元的权重不同，但是全局平均池化层却把他们当作一样的权重去考虑了，因此网络表现会下降，导致人脸识别精度降低，进而降低人脸验证和识别任务准确率。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明第一方面在于提出了一种人脸识别方法。

本发明的第二方面在于提出了一种人脸识别装置。

有鉴于此，根据本发明的第一方面，提出了一种人脸识别方法，包括：采集人脸图像；采集人脸图像；采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；根据特征间距与识别阈值的比较结果，输出识别结果。

本发明提供的人脸识别方法，采集待识别的人脸图像，对人脸图像进行人脸检测，得到人脸特征和人脸区域，并根据人脸特征和人脸区域提取人脸图像的人脸特征向量，将其与预存的每个人脸样本图像的样本特征向量进行对比，确定特征间距，即人脸特征向量与样本特征向量的差异最小值，若特征间距小于等于识别阈值，说明存在与人脸图像匹配的人脸样本图像，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败。