[发明专利]基于深度学习的人脸识别方法、装置和电子设备

权利要求书

1.一种基于深度学习的人脸识别方法，其特征在于，包括：

构建卷积神经网络模型，所述卷积神经网络模型包括依序连接的第一卷积单元、第一池化层、多个卷积组合、第二池化层和全连接层，其中，所述第一卷积单元包括第一卷积层、批归一化层和激励函数层，所述激励函数层同时采用ReLU函数和NReLU函数作为激励函数，相邻的所述卷积组合之间采用残差网络的短路层进行连接；

训练所述卷积神经网络模型，将训练数据输入所述卷积神经网络模型，并采用随机梯度下降法进行训练，训练后的所述卷积神经网络模型去除掉最后的所述全连接层后只做前向传播即可作为人脸识别时需要的人脸特征数据；

每个所述卷积组合包括第一子单元和第二子单元，其中，

所述第一子单元包括卷积核为1x1的第二卷积层、和连接于所述第二卷积层后的批归一化层；

所述第二子单元包括依序连接的第三卷积层和第四卷积层，所述第三卷积层的卷积核为3x1，所述第四卷积层的卷积核为1x3；

所述第一子单元的输出和所述第二子单元的输出连接起来作为当前的所述卷积组合的输出；

定义每个所述卷积组合的输入的通道数为ci，

所述第一子单元中的所述第二卷积层输出的通道数为ci*0.75，步长为1；

所述第二子单元中，所述第三卷积层输出的通道数均为ci*0.25，步长为1；所述第四卷积层输出的通道数为ci*0.25，步长为1。

2.根据权利要求1所述的基于深度学习的人脸识别方法，其特征在于，当前的所述卷积组合的输入作为所述短路层的输入，当前的所述卷积组合的输出与所述短路层的输出连接至加运算层做加运算后输出作为下一个卷积组合或者第二池化层的输入。

3.根据权利要求2所述的基于深度学习的人脸识别方法，其特征在于，在其中一个所述加运算层之后连接有第一损失函数层，所述第一损失函数层的输出作为分支输出；在所述全连接层之后连接有第二损失函数层，所述第二损失函数层的输出作为整个卷积神经网络模型的主路输出。

4.根据权利要求1所述的基于深度学习的人脸识别方法，其特征在于，所述第一卷积层的卷积核为5x5，步长为2。

5.根据权利要求1所述的基于深度学习的人脸识别方法，其特征在于，训练所述卷积神经网络模型的步骤包括：

把训练数据按照人数P分成P个文件夹，每个文件夹中为同一个人的人脸图像，通过人脸检测和关键点定位技术把每张人脸图像归一化分割成n个子图像；

将所有子图像的数据输入所述卷积神经网络模型。

6.一种基于深度学习的人脸识别装置，其特征在于，包括：

构建模块，用于构建卷积神经网络模型，所述卷积神经网络模型包括依序连接的第一卷积单元、第一池化层、多个卷积组合、第二池化层和全连接层，其中，所述第一卷积单元包括第一卷积层、批归一化层和激励函数层，所述激励函数层同时采用ReLU函数和NReLU函数作为激励函数，相邻的所述卷积组合之间采用残差网络的短路层进行连接；

训练模块，用于将训练数据输入所述卷积神经网络模型，并采用随机梯度下降法进行训练所述卷积神经网络模型，训练后的所述卷积神经网络模型去除掉最后的所述全连接层后只做前向传播即可作为人脸识别时需要的人脸特征数据；

每个所述卷积组合包括第一子单元和第二子单元，其中，

所述第一子单元包括卷积核为1x1的第二卷积层、和连接于所述第二卷积层后的批归一化层；

所述第二子单元包括依序连接的第三卷积层和第四卷积层，所述第三卷积层的卷积核为3x1，所述第四卷积层的卷积核为1x3；

所述第一子单元的输出和所述第二子单元的输出连接起来作为当前的所述卷积组合的输出；

定义每个所述卷积组合的输入的通道数为ci，

所述第一子单元中的所述第二卷积层输出的通道数为ci*0.75，步长为1；

所述第二子单元中，所述第三卷积层输出的通道数均为ci*0.25，步长为1；所述第四卷积层输出的通道数为ci*0.25，步长为1。

7.一种包含如权利要求6所述的基于深度学习的人脸识别装置的电子设备。