[发明专利]监控场景下基于深度学习的人脸识别系统

权利要求书

1.监控场景下基于深度学习的人脸识别系统，其特征在于，包括视频采集单元、人脸检测单元、显示实时监控录像的匹配显示单元、存储单元；视频采集单元分别和人脸检测单元、存储单元连接；人脸检测单元分别和显示单元、存储单元连接；所述视频采集单元包括嵌入式高清相机和视频编码器；所述人脸检测单元包括人脸数据库模块、深度学习模块、人脸判别模块、特征提取模块、人脸匹配模块；所述人脸数据库模块是存放待训练的人脸；所述存储单元为云盘；所述视频采集单元的嵌入式高清相机将采集到的视频信息通过网线传输到人脸检测单元的人脸判别模块，同时经过光纤电缆传输到存储单元的存储视频模块进行数据备份；人脸检测单将人脸数据库模块中的人脸数据传到深度学习模块，进行神经网络的自学习建模，建立好的神经网络模型参数传输到人脸判别模块；人脸判别模块利用深度学习模块建立的神经网络模型对视频采集单元传输来的视频信息进行人脸判别，得到视频中人脸图像信息；进而特征提取模块提取人脸特征信息，人脸匹配模块将提取到的人脸特征信息与人脸数据库模块中的人脸进行比对匹配，找到匹配度最高的人脸信息，通过通信模块PCI总线方式传输到匹配显示单元，由匹配显示单元显示得到的人脸身份信息，并传到存储单元进行匹配结果存储；

所述深度学习模块为5层神经网络层，在输入层和输出层之间有5层隐层，分别为滤波器组层、校正层、局部对比归一化层、平均池化和子采样层、最大池化和子采样层；

所述滤波器组层包括卷积滤波器C、激活函数、可训练增益G，激活函数采用非线性变换函数sigmoid，则本层对应输入输出为y=G*sigmoid(C)，其中，卷积滤波器组中，采用96组核函数进行卷积滤波；

所述校正层是对滤波器组层输出结果进行校正，采用的是取绝对值操作，以避免图像处理中出现的无意义负值；

所述局部对比归一化层是对上层输出结果取均值和方差归一化，即图像特征归一化；

所述平均池化和子采样层是使得提取的特征对微小形变具有鲁棒性，采用的是采样窗口所有值取平均，得到的值传输到下一采样层；

所述最大池化和子采样层是实现提取到的特征对平移操作的不变性，采用的是采样窗口所有值取平均最大值，得到的值传输到下一采样层。