[发明专利]一种基于深度学习的人脸识别操作方法

权利要求书

1.一种基于深度学习的人脸识别操作方法，其特征在于：包括，

采集包含人脸的图像数据；

对人脸图片数据进行标注,包括使用方框框出人脸所在图片坐标位置；

根据打标完成的数据，训练深度神经网络模型；

开启摄像头,利用训练好的人脸检测网络模型,将拍摄到的图像传送给已经部署了人脸检测网络模型的计算单元,所述计算单元会将图像中的人脸抓取出来,并提取人脸面部特征；

提取出来的人脸面部特征,通过计算两个人脸特征信息相似度,判断进入车辆的人员是否为车主本人；

若识别到进入车辆的人员为车主本人,车辆则会自动启动；

若识别到进入车辆的人员非车主本人,车辆则不会自动启动,需要钥匙或者其他设备人为启动车辆。

2.如权利要求1所述的基于深度学习的人脸识别操作方法，其特征在于：采集数据并对数据进行标注的实现，包括，

采用但不限于1920*1080的高清单目摄像头,在白天夜晚室内室外多种不同光线下,通过与车身摄像头相同的角度,使用单目摄像头连续拍摄需要采集的人脸的图片数据。

3.如权利要求1或2所述的基于深度学习的人脸识别操作方法，其特征在于：对采集的数据进行标注包括，

通过2D方框将人脸框出，并对人脸进行定位标注,标注出人脸在图中的像素坐标。

4.如权利要求3所述的基于深度学习的人脸识别操作方法，其特征在于：根据标注的数据并对数据进行标注的实现包括，

使用深度学习框架,搭建深度神经网络,人脸检测网络模型,该神经网络输入参数为图像,输出参数为预测到的人脸在输入图中的像素坐标信息以及相对应点的置信度。

5.如权利要求4所述的基于深度学习的人脸识别操作方法，其特征在于：使用softmax-cross entropy作为损失函数,定义如下，

softmax函数：

cross entropy函数：

其中，L是损失，Sj是softmax其中输出向量S的第j个值，表示的是这个样本属于第j个类别的概率，yj前面有个求和符号，j的范围也是1到总类别数T，因此label标签y是一个1*T的向量，里面的T个值，而且只有其中一个值是1，其他T-1个值都是0，真实标签对应的位置的那个值是1，其他都是0。

6.如权利要求4或5所述的基于深度学习的人脸识别操作方法，其特征在于：包括，

使用深度学习框架对标注好的数据进行读取,

对搭建的人脸检测深度神经网络进行训练,通过损失函数计算模型预测的结果与真值的误差；

根据误差的大小,通过梯度优化器,对深度神经网络模型的参数进行更新；

直至训练指标平均精度均值达到98％以上。

7.如权利要求6所述的基于深度学习的人脸识别操作方法，其特征在于：将训练好的深度神经网络模型部署至工程化代码,对摄像头拍摄到的画面进行逐帧预测，包括，

使用C++语言编写调用训练的深度神经网络模型,读取实时摄像头帧,使用深度神经网络模型对读取的帧进行实时的处理；

将深度神经网络每帧处理过后的结果编写成数组，进行逻辑预测。

8.如权利要求7所述的基于深度学习的人脸识别操作方法，其特征在于：

将获取的结果数组取出与事先存入的车主照片提取出的人脸特征进行对比；

通过欧式距离的方法计算相似度,如相似度达到设定阈值,可将结果视为识别到的人员为车主,判断结果为1；

反之,则视为识别到的人员为非车主,判断结果为-1。

9.如权利要求8所述的基于深度学习的人脸识别操作方法，其特征在于：判断结果为1,那么将视为满足车主进车条件,摄像头单元将会将启动指令发送给车辆启动系统；

反之判断结果为-1,则视为不满足自动启动条件,摄像头单元不会发送指令给车辆启动单元。