[发明专利]一种基于深度学习的识别模组的识别方法、设备以及介质

权利要求书

1.一种基于深度学习的识别模组的识别方法，其特征在于，所述方法包括：

获取摄像机采集的位于摄像机前面的图像或者视频；

对所述图像或者视频进行预处理并获取所述图像或者所述视频中的人脸；

提取所述人脸中的第一特征；

提取人脸数据库中的人脸的第二特征；

将所述第一特征与所述第二特征通过基于深度学习的算法进行识别得到识别结果；

根据识别结果控制门锁打开或者提示认证失败。

2.如权利要求1所述的基于深度学习的识别模组的识别方法，其特征在于，所述方法还包括：

对所述基于深度学习的算法进行训练，所述训练包括向前传播和向后传播两个阶段；

向前传播阶段：

获取所有样本，从所有样本中取其中一个(X，Yp)，并将X视为输入网络；

通过输入信息计算输出Op；

输入信息经过六次转换传递到输出中；且在传递过程中，六层中每一层的权值矩阵与输入信息相点乘，从而获得输出的结果Op，具体通过式1-1得到；

Op＝Fn(…(F2(F1(Xp W⁽¹⁾)W⁽²⁾)…)W⁽ⁿ⁾) (1-1)

向后传播阶段：

通过输入输出的值，计算输入值和输出值之间的实际误差值；

利用反向传播方法调整权矩阵，直至误差达到最小。

3.如权利要求2所述的基于深度学习的识别模组的识别方法，其特征在于，所述方法还包括计算卷积层的梯度；所述计算卷积层的梯度包括：

通过对前一层的输入特征进行卷积运算，得到一个输出的特征图，所述输出的特征图与多个输入图与之相关联通过公式(1-2)表示：

其中，表示在第l层的第j个输出；M_J表示第l层输入特征图的一个集合；b为在每个输出的特征图中都给定了一个偏差值。

4.如权利要求3所述的基于深度学习的识别模组的识别方法，其特征在于，所述方法还包括：

将l+1层的误差信号图进行升采样使得其和卷积层大小一致；

对升采样后的误差信号图与第l层“激活函数偏导图”执行基于元素的乘法，并通过公式(1-3)将对应卷积层中与之对应的每个图j和降采样层对应起来；

up(o)表示升采样操作，通过Kronecker积进行升采样操作。

5.如权利要求4所述的基于深度学习的识别模组的识别方法，其特征在于，通过公式(1-4)计算降采样层的梯度得到降采样后的输入图的结果；

其中，down(*)为降采样函数；利用降采样函数对每一个输入图中不同的n*n区域求和，使得最终输出图相对于输入图在维度上小n倍，并且，每个输出图都有自己的附加偏差b和乘子偏差。

6.如权利要求5所述的基于深度学习的识别模组的识别方法，其特征在于，所述提取所述人脸中的第一特征，具体包括：

截取人脸部分图像，同时经过归一化处理，得到一幅256x256像素大小的人脸图像。

7.如权利要求6所述的基于深度学习的识别模组的识别方法，其特征在于，所述方法还包括对比度归一化处理，所述对比度归一化处理包括：

图像的调整；

直方图均衡化；

自适应直方图均衡化；

对比度正规化：将归一化后的图像转换到RGB彩色空间。

8.如权利要求1所述的基于深度学习的识别模组的识别方法，其特征在于，获取UMIST库中的人脸图像的姿态、表情，所述表情包括微笑、哀伤、张嘴、带眼镜。