[发明专利]一种基于深度学习的快速人脸识别方法

摘要

本发明公开了一种基于深度学习的快速人脸识别方法，该快速人脸识别方法针对实时人脸识别技术受限于网络带宽和硬件处理能力的影响以及识别速度不高的问题进行了探索，在兼顾人脸识别准确率的同时，考虑到人脸识别占用内存空间和识别速度问题，对轻量级的卷积神经网络模型SqueezeNet进行改进，实现SqueezeNet的特征提取和分类功能分离，以欧式距离代替Softmax和全连接层的分类能力来减少模型参数，利用改进的SqueezeNet提取特征，利用欧氏距离进行分类识别，不仅可以兼顾识别准确率，而且能提高人脸识别的识别速度，相比于现有技术算法，具有一定优势。

主权项

1.一种基于深度学习的快速人脸识别方法，其特征在于，所述的快速人脸识别方法包括下列步骤：S1、利用人脸数据库，训练人脸检测分类器，根据检测结果对弱分类器个数、强分类器个数进行调节优化；S2、对人脸数据库进行人脸检测并进行裁剪，作为人脸识别方法的训练集和验证集；S3、设置批数据的大小和基本学习率，利用训练集对卷积神经网络模型SqueezeNet进行训练，并根据训练结果判断模型的泛化能力并通过扩充数据量来防止过拟合；S4、将卷积神经网络模型SqueezeNet的特征提取和分类功能分离，首先，将删除Softmax Loss层和全连接层后的卷积神经网络模型SqueezeNet作为人脸识别模型进行特征提取，提取人脸图像的256维的特征向量，然后，通过特征分类器对特征进行分类；S5、以欧氏距离衡量特征之间的相似度进行分类，并根据ROC评价标准确定欧氏距离的分类阈值。