[发明专利]一种基于深度学习的人脸识别方法

说明书

本发明公开了一种基于深度学习的人脸识别方法，包括以下步骤：S1：获取包含人脸的图像；S2：使用第一模型对所述图像的人脸进行检测；S3：使用第二模型对S2中检测后的图像进行人脸预筛；S4：根据预筛结果建立人脸数据集；S5：使用所述人脸数据集对第三模型进行训练；S6：使用训练好的所述第三模型进行人脸识别。本方法减少了大规模数据下纯人工入库可能造成的误检漏检问题，同时也减少了录入人员的工作量，且保证准确率的同时，加快预筛速度。构建深度神经网络模型对人脸图像进行训练，使非正面、俯视的人脸特征能够得到充分训练，减少重复图片干扰。

技术领域

本发明涉及深度学习领域，特别是一种基于深度学习的人脸识别方法。

背景技术

人脸识别，指对输入的图像或视频，检测出的人脸区域进行面部特征编码，进而依据人脸的面部特征进行身份识别的过程。主要过程分为人脸检测与对齐，人脸特征编码，人脸识别三个步骤。人脸识别作为非接触识别的有效方式，具有安全性，智能型，便利性。已作为身份识别的主要手段，被广泛应用于交通，公共安全，金融等诸多领域。目前，公知的人脸识别技术分为传统模式识别方法与基于深度学习的方法两个大类。传统识别方法主要有整体法，人工特征法和特征描述子方法。传统法识别速度快。数据依赖少，但是识别准确率低，鲁棒性小，不能满足大规模商用级别识别的要求。基于深度学习的方法多训练ANN对人脸特征进行显示描述，描述后特征具有独特性和紧凑性，但现有深度学习方法受训练集影响大，在大规模识别与识别精度之间很难得到平衡，且随着数据量的增大，标注的难度也会随之增大。

发明内容

有鉴于此，在机场监控的识别环境下，为了克服大规模人脸库录入精度和大规模数据集下训练精度的问题，本公开提出了一种基于深度学习的人脸识别方法。具体内容如下：

一种基于深度学习的人脸识别方法，包括以下步骤：

S1：获取包含人脸的图像；

S2：使用第一模型对所述图像的人脸进行检测；

S3：使用第二模型对S2中检测后的图像进行人脸预筛；

S4：根据预筛结果建立人脸数据集；

S5：使用所述人脸数据集对第三模型进行训练；

S6：使用训练好的所述第三模型进行人脸识别。

进一步的，所述S2使用第一模型对所述视频流中每一帧图像的人脸进行检测，包括：使用第一模型对所述图像的人脸区域进行提取并对齐。

进一步的，所述S2使用第一模型对所述视频流中每一帧图像的人脸进行检测，还包括：记录所述人脸的欧拉角和置信度。

进一步的，所述S3：使用第二模型对S2中检测后图像进行人脸预筛，包括：使用所述第二模型对所述检测后的图像提取特征，并与现有数据库做相似度比较，得到待选身份图片。

进一步的，所述与现有数据库做相似度比较，得到待选身份图片，包括：取相似度降序前N个身份作为待选身份，5≤N≤20。

进一步的，所述S5：使用所述人脸数据集对第三模型进行训练，包括：

S51：对所述人脸数据库的图片进行裁剪，使用所述第三模型对裁剪后的图像提取人脸特征；

S52：对提取的所述人脸特征进行损失计算；

S53：根据所述人脸数据库的关键点坐标计算欧拉角，并根据俯仰角更新损失。

进一步的，所述损失计算的函数为：

其中,s、m1、m2为参数常量；N为训练单批量容量，i为单个样本序号，范围为1至N；对于每个单个样本i而言，yi为其输入特征，j为该批次内除i样本外剩余样本的集合。