[发明专利]一种基于深度学习的人脸识别操作方法

说明书

本发明公开了一种基于深度学习的人脸识别操作方法，包括采集包含人脸的图像数据；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，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。本发明的有益效果：在车主坐进车内的同时,车内摄像头识别到车主则会自动启动汽车,让汽车启动更加智能自动化,避免了随身携带车钥匙的不便。

技术领域

本发明涉及深度学习和人工智能的技术领域，尤其涉及一种基于深度学习的人脸识别操作方法。

背景技术

近年来人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。

迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术，它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：提出一种基于深度学习的人脸识别操作方法。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的人脸识别操作方法，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,该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。

作为本发明所述的基于深度学习的人脸识别操作方法的一种优选方案，其中：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。

作为本发明所述的基于深度学习的人脸识别操作方法的一种优选方案，其中：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。

作为本发明所述的基于深度学习的人脸识别操作方法的一种优选方案，其中：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。

作为本发明所述的基于深度学习的人脸识别操作方法的一种优选方案，其中：使用softmax-cross entropy作为损失函数,定义如下，

softmax函数：

cross entropy函数：