[发明专利]一种公众人物的人脸识别方法

说明书

本发明公开了一种公众人物的人脸识别方法，包括：获取待处理图像；输入待处理图像至人脸识别模型，以使人脸识别模型在提取待处理图像的特征后，进行L2归一化，并根据Embedding向量输出待处理图像的人脸识别结果；人脸识别模型是基于SqueezeNet神经网络模型预先训练得到的。其中，人脸识别模型包括Fire块，Fire块中的Expand层包括：卷积核为1*3的第二卷积层、卷积核为3*1的第三卷积层、卷积核为3*1的第四卷积层以及卷积核为1*3的第五卷积层，第四卷积层与第二卷积层连接，第五卷积层与第三卷积层连接，代替了相关技术中expand层的1*1卷积和3*3卷积，能够在不影响识别准确率的前提下，减少模型的训练时间以及模型权重文件的大小，从而降低硬件资源的需求，实现了网络模型的轻量化。

技术领域

本发明属于深度学习技术领域，具体涉及一种公众人物的人脸识别方法。

背景技术

人脸识别技术能够在非强制、无接触的情况下高效准确地对多个人脸进行并发识别，是身份鉴别的重要手段，目前已广泛应用于军事、金融、公共安全等多个领域，是身份鉴别的重要手段之一。

相关技术中存在许多经典且功能强大的神经网络结构，例如AlexNet、GoogLeNet、VGG、ResNet、DenseNet、Inception等，这些经典的大型网络虽然在图像分类的准确率方面取得了很好的效果，但其结构复杂且参数多，对硬件要求高，将其用于人脸识别时，一些移动端设备会因网络模型过大、训练时间过长而无法适用。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种公众人物的人脸识别方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供一种公众人物的人脸识别方法，包括：

获取待处理图像；

输入所述待处理图像至人脸识别模型，以使所述人脸识别模型在提取所述待处理图像的特征后，进行L2归一化，并根据Embedding向量输出所述待处理图像的人脸识别结果；

其中，所述人脸识别模型是基于SqueezeNet神经网络模型预先训练得到的。

在本发明的一个实施例中，所述人脸识别模型包括依次连接的第一卷积层Conv1、第一池化层、Fire块：fire2、fire3和fire4、第二池化层、Fire块：fire5、fire6、fire7和fire8、第二池化层、Fire块：fire9、第二卷积层Conv10和第三池化层。

在本发明的一个实施例中，各所述Fire块包括Squeeze层，所述Squeeze层包括卷积核为1*1的第一卷积层。

在本发明的一个实施例中，各所述Fire块还包括Expand层，所述Expand层包括：卷积核为1*3的第二卷积层、卷积核为3*1的第三卷积层、卷积核为3*1的第四卷积层以及卷积核为1*3的第五卷积层；其中，

所述第四卷积层与所述第二卷积层连接，所述第五卷积层与所述第三卷积层连接。

在本发明的一个实施例中，各所述Fire块还包括concat层，用于对所述第四卷积层和所述第五卷积层输出的特征图进行拼接。

在本发明的一个实施例中，所述人脸识别模型采用如下步骤训练得到：

获取第一类图像，并利用人脸检测算法对所述第一类图像进行检测，得到训练样本；所述训练样本包括人脸样本图像以及所述人脸样本图像对应的真实类别；

对所述训练样本进行预处理后，将预设数量的训练样本输入待训练的SqueezeNet神经网络模型，所述待训练的SqueezeNet神经网络模型为预设的初始SqueezeNet神经网络模型；

利用所述待训练的SqueezeNet神经网络模型的输出结果，确定各个输入的训练样本的预测类别；