[发明专利]基于深度神经网络的人脸识别方法

摘要

本发明涉及一种基于深度神经网络的人脸识别方法。其通过在简化网络结构，降低计算时间代价的情况下实现高的识别正确率。本发明采用的方法步骤包括人脸检测，人脸对齐，特征提取和身份比对；所述的人脸检测、对齐的方法为：采用由粗到细的自动编码网络(CFAN)检测5个面部关键点，根据检测到的5个面部关键点旋转裁剪校准成256×256×3像素的正姿态人脸图片，通过级联多个栈式自编码网络，在越来越高分辨率的人脸图像上逐步优化人脸对齐结果；所述的特征提取和身份比对的方法为：采用10层深度人脸网络来提取人脸特征，所述的10层深度人脸网络包括7个卷积层和3个全连接层，通过训练和测试两部分进行区别。

主权项

1.一种基于深度神经网络的人脸识别方法，其特征在于：其方法步骤包括人脸检测，人脸对齐，特征提取和身份比对；所述的人脸检测、对齐的方法为：采用由粗到细的自动编码网络(CFAN)检测5个面部关键点，根据检测到的5个面部关键点旋转裁剪校准成256×256×3像素的正姿态人脸图片，通过级联多个栈式自编码网络，在越来越高分辨率的人脸图像上逐步优化人脸对齐结果；所述的特征提取和身份比对的方法为：采用10层深度人脸网络来提取人脸特征，所述的10层深度人脸网络包括7个卷积层和3个全连接层，通过训练和测试两部分进行区别；具体的操作步骤为：在训练部分先将裁剪校准后的人脸图像经过数据扩张输入第一个卷积层得到初级的图像特征，该图像特征经过ReLU非线性函数激活后通过池化Pooling操作在空间维度宽度和高度上进行降采样，之后输入到第二个卷积层得到新的特征，重复卷积步骤6次，直到网络到达最后一个卷积层，在重复的6次卷积步骤中，在第三个卷积层之后加入池化操作，将最后一个卷积层输出的高级特征通过两个全连接层和dropout随机失活操作进行逐层降维，之后输入最后一个全连接层做人脸的分类，最后一个全连接层即为一个softmax分类器；卷积层和全连接层中的参数随着梯度下降被不断训练，直到网络收敛成一个能正确识别人脸特征的深度网络模型；在测试部分将对齐后的测试图像经过数据扩张输入至训练好的网络模型并提取第二个全连接层输出的2048维向量作为每个人脸图像的特征表示，身份比对使用余弦函数度量每个人脸特征之间的相似度，通过计算不同人脸图像特征的夹角余弦来进行特征比较，夹角余弦值越大，就越为同一人。