[发明专利]一种面向移动端的人脸识别方法与系统

说明书

本发明涉及一种面向移动端的人脸识别方法及系统，包括：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；将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人脸图像的识别结果；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，静态瓶颈层模块包括依次连接的多个静态瓶颈层，动态瓶颈层模块包括依次连接的多个动态瓶颈层。本发明降低了识别功耗的同时降低信息缺失。

技术领域

本发明涉及图像识别领域，特别是涉及一种面向移动端的人脸识别方法与系统。

背景技术

人脸识别是计算机视觉技术领域的典型应用，卷积神经网络，尤其是深度卷积神经网络的进一步研究，促使人脸识别技术向着更加准确、快速和智能化的方向发展。基于深度学习的人脸识别使用精心设计的卷积神经网络对人脸特征建模，能够获取更为深层的人脸特征表示，在人脸识别挑战任务中，能够获得超越人类的准确率和更好的稳定性。

目前，人脸识别越来越多地应用于身份验证、快捷支付等移动场景。而大多数基于深度神经网络的人脸识别应用方案，使用大型深度神经网络模型以保证系统的性能，这些模型具有较高的复杂度，在进行人脸识别过程中，需要进行大量的浮点运算，对运行环境提出了较高的硬件要求，并不适宜部署在资源有限的低功耗移动终端。

如何在资源有限的移动终端和嵌入式计算平台，做到低功耗、低延时、低内存占用、高效而准确地识别出人脸数据，仍然是一项具有挑战性的任务。

发明内容

本发明的目的是提供一种面向移动端的人脸识别方法与系统，降低了识别功耗的同时降低信息缺失。

为实现上述目的，本发明提供了如下方案：

一种面向移动端的人脸识别方法，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；

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依次连接的多个动态瓶颈层；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第三卷积层、第二深度卷积层和第一动态卷积层，所述第二卷积层的输入连接所述第一动态卷积层的输出。

可选地，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。

可选地，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；