[发明专利]一种应用在工地闸机的离线轻量级人脸识别系统

权利要求书

1.一种应用在工地闸机的离线轻量级人脸识别系统，其特征在于，包括：

人脸信息获取处理模块，用于获取初始人脸信息或待识别人脸信息，并对初始人脸信息进行处理，注册至系统；对待识别人脸信息进行处理，输出处理后的待识别人脸信息；

人脸特征数据库，用于存储所述人脸信息获取处理模块内经过处理的初始人脸信息；

人脸匹配模块，用于所述人脸信息获取处理模块中处理后的待识别人脸信息，与所述人脸特征数据库内所存储的初始人脸信息是否匹配。

2.根据权利要求1所述的应用在工地闸机的离线轻量级人脸识别系统，其特征在于，所述人脸信息获取处理模块所注册的人脸信息为人脸特征向量。

3.根据权利要求1所述的应用在工地闸机的离线轻量级人脸识别系统，其特征在于，所述人脸信息获取处理模块包括：

人脸检测子模块，用于对输入系统的图像进行人脸检测，判断该图像中是否存在人脸；

人脸关键点检测子模块，用于对所述人脸检测子模块所判断存在人脸的图像进行人脸关键点定位；

人脸对齐子模块，依据所述人脸关键点检测子模块中人脸关键点的检测结果，对人脸角度进行计算，将检测到的人脸进行仿射变换，投影至标准人脸模板，得到对齐后的人脸图片；

人脸识别子模块，使用人脸识别深度学习模型，输入所述人脸对齐子模块中对齐后的人脸图片，得到该人脸对应的人脸特征向量。

4.根据权利要求3所述的应用在工地闸机的离线轻量级人脸识别系统，其特征在于，所述人脸检测子模块和人脸关键点检测子模块采用轻量级的多任务网络进行人脸检测和人脸关键点定位提取。

5.根据权利要求4所述的应用在工地闸机的离线轻量级人脸识别系统，其特征在于，所述轻量级的多任务网络的结构包括：

任意尺度缩放图像，网络输入320×240×3×1，通过16×3×3×3的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活,输入下一层；

对上一步结果继续进行16×1×3×3的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

对上一步结果继续进行32×16×1×1的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

对上一步结果继续进行32×1×3×3的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

对上一步结果继续进行32×32×1×1的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激，输入下一层；

对上一步结果继续进行32×1×3×3的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

对上一步结果继续进行64×32×1×1的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

对上一步结果继续进行64×1×3×3的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

对上一步结果继续进行64×64×1×1的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

对上一步结果继续进行64×1×3×3的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

对上一步结果继续进行64×64×1×1的卷积,将卷积结果输入BN层,输出结果通过Relu激活函数激活，输入下一层；

经过上述卷积层，BN层，激活层得到人脸特征值，用于预测人脸位置和关键点位置。

6.根据权利要求3所述的应用在工地闸机的离线轻量级人脸识别系统，其特征在于，所述人脸矫正后处理子模块通过修改损失函数softmax loss，添加分类边界迫使网络学习到的特征更聚集，进而对矫正后人脸的特征值进行提取，以及确定阈值。

7.根据权利要求6所述的应用在工地闸机的离线轻量级人脸识别系统，其特征在于，所述网络的结构为：

输入的图像112×112×3，进行步长为2的3×3的卷积操作，得到56×56×64的卷积结果；

对56×56×64的卷积进行步长为1的3×3的深度卷积，得到56×56×64的卷积结果；

对上步卷积结果进行中间通道数为128，步长为2的bottleneck操作，重复4次，得到28×28×64的卷积结果。Bottleneck操作为1×1卷积与3×3深度卷积，1×1卷积的混合操作；

对上步卷积结果进行中间通道数为256，步长为2的bottleneck操作，得到14×14×128的卷积结果；

对上步卷积结果进行中间通道数为256，步长为1的bottleneck操作，重复6次，得到14×14×128的卷积结果；

对上步卷积结果进行中间通道数为512，步长为2的bottleneck操作，得到7×7×128的卷积结果；

对上步卷积结果进行中间通道数为256，步长为1的bottleneck操作，重复2次，得到7×7×128的卷积结果；

对上步卷积结果进行1×1的卷积操作，得到7×7×512的卷积结果；

对上步卷积结果进行7×7线性全局深度卷积，得到1×1×512的卷积结；

对上步卷积结果进行1×1的线性卷积，输出128维的人脸特征向量；

建立测试数据集，根据ROC曲线得到最佳阈值。