[发明专利]一种面向移动端的人脸识别方法与系统

权利要求书

1.一种面向移动端的人脸识别方法，其特征在于，包括：

从采集的场景图像中提取人脸图像；

对所述人脸图像进行校正，获得校正后的人脸图像；

获取所述校正后的人脸图像中的关键点的位置；

将获取关键点的位置的人脸图像输入训练好的深度神经网络模型，输出人脸特征数据；

计算所述人脸特征数据与人脸库中不同人脸特征样本数据的余弦相似度，获得多个余弦相似度，具体包括：

根据以下公式计算人脸特征数据A与人脸特征样本数据B的余弦相似度：

2cos(A,B)＝2-d_euc²；

其中，cos(A,B)为人脸特征数据A与人脸特征样本数据B的余弦相似度，d_euc为人脸特征数据A与人脸特征样本数据B的欧氏距离；

从多个所述余弦相似度中选择最大余弦相似度；

将所述最大余弦相似度对应的人脸特征样本数据的标注信息作为所述人脸图像的识别结果；

所述深度神经网络模型的中间层包括依次连接的静态瓶颈层模块和动态瓶颈层模块，所述静态瓶颈层模块包括依次连接的多个静态瓶颈层，所述动态瓶颈层模块包括一个动态瓶颈层；所述静态瓶颈层包括依次连接的第一卷积层、第一深度卷积层和第二卷积层，所述第一卷积层的输入连接所述第二卷积层的输出；所述动态瓶颈层包括依次连接的第三卷积层、第二深度卷积层和第一动态卷积层，所述第三卷积层的输入连接所述第一动态卷积层的输出；第一动态卷积层为卷积核为1×1动态卷积层，步幅为1；

所述深度神经网络模型还包括输入层、后置层和特征嵌入层，所述输入层、所述中间层、所述后置层和所述特征嵌入层依次连接；

所述特征嵌入层包括人脸特征嵌入模块；

所述输入层包括依次连接的第二动态卷积层和第三深度卷积层；所述后置层包括第三动态卷积层；所述人脸特征嵌入模块包括依次连接的第四卷积层、扁平层和线性全连接层；

第四卷积层为卷积核大小为7×7，步幅为1的深度卷积层。

2.根据权利要求1所述的面向移动端的人脸识别方法，其特征在于，所述从采集的场景图像中提取人脸图像，具体包括：

采用图像传感器实时获取场景图像；

对所述场景图像进行伽马校正，获得伽马校正后的场景图像；

将所述伽马校正后的场景图像输入人脸检测模型，输出人脸所在位置的边框信息；

根据人脸所在位置的边框信息确定人脸图像。

3.根据权利要求1所述的面向移动端的人脸识别方法，其特征在于，所述对所述人脸图像进行校正，获得校正后的人脸图像，具体包括：

将所述人脸图像调整为设定尺寸的人脸图像；

对所述设定尺寸的人脸图像进行倾斜矫正和灰度归一化，获得校正后的人脸图像。

4.根据权利要求1所述的面向移动端的人脸识别方法，其特征在于，所述获取所述校正后的人脸图像中的关键点的位置，具体包括：

获取所述校正后的人脸图像中的关键点与所述校正后的人脸图像左上角的相对坐标。