[发明专利]基于深度学习的人脸识别方法、装置和电子设备

说明书

本发明公开了一种基于深度学习的人脸识别方法、装置和电子设备，该方法包括：构建卷积神经网络模型，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，第一卷积单元包括第一卷积层、批归一化层和激励函数层，激励函数层同时采用ReLU函数和NReLU函数作为激励函数，相邻的卷积组合之间采用残差网络的短路层进行连接；训练卷积神经网络模型，将训练数据输入卷积神经网络模型，并采用随机梯度下降法进行训练，训练后的卷积神经网络模型去除掉最后的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。本发明使用ReLU+NReLU作为激励函数，能降低运算量，保证精度、减小模型大小和提升运行速度。

技术领域

本发明涉及人脸识别领域，特别地，涉及一种基于深度学习的人脸识别方法、装置和电子设备。

背景技术

由于人脸的方便性，人脸识别技术在监控、安防、金融、社保等领域成为热点。借助于近年来深度学习的特征学习，人脸识别技术得到了很大的进展。现在很多因素例如不同的光照，姿态，表情已经相对鲁棒。

近些年人脸检测方法按照是否采用深度学习方法分为两类，未采用深度学习方法的算法效果比较好的有joint cascade face detection and align(JDA)和NormalizedPixel Difference(NPD)。JDA方法将人脸检测和人脸关键点检测结合起来，利用一种比较简单的像素差特征和随机森林方法实现算法框架。由于特征比较简单，该算法对光照的鲁棒性比较差，在逆光、光照不均匀的情况下人脸检测的效果较差。NPD方法和JDA方法整体框架类似，不同点主要在于NPD对像素差特征进行了归一化处理，对逆光情况有较好的改善。该算法在权威人脸检测数据集FDDB(Face Detection Data Set and Benchmark)上检测效果比JDA略差，速度上慢于JDA方法。

以上两种检测算法是传统方法(未采用深度学习)中效果最好的几种之一，比深度学习方法的人脸检测算法在误检个数相同的情况下召回率要低5到10个点。下面介绍几种效果比较好的深度学习人脸算法。Face Detection with the Faster R-CNN将vgg网络(16层)和Faster R-CNN框架应用到人脸检测，这些方法虽然取得了很好的效果，但是由于模型文件太大，速度太慢，基本很难在实际产品中使用。人脸识别的算法放在前端比对还存在很多问题，例如模型太大，一个vgg16网络需要500M的模型空间。由于模型参数太大因而在前端做人脸特征提取时速度太慢，很难将深度学习技术的移植到硬件设备有限的前端上应用。

发明内容

本发明提供了一种基于深度学习的人脸识别方法、装置和电子设备，适合在前端做人脸特征提取，以解决现有模型太大且速度慢的技术问题。

本发明采用的技术方案如下：

本发明的一方面提供了一种基于深度学习的人脸识别方法，包括：

构建卷积神经网络模型，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，第一卷积单元包括第一卷积层、批归一化层和激励函数层，激励函数层同时采用ReLU函数和NReLU函数作为激励函数，相邻的卷积组合之间采用残差网络的短路层进行连接；

训练卷积神经网络模型，将训练数据输入卷积神经网络模型，并采用随机梯度下降法进行训练，训练后的卷积神经网络模型去除掉最后的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。

进一步地，每个卷积组合包括第一子单元和第二子单元，其中，第一子单元包括卷积核为1x1的第二卷积层、和连接于第二卷积层后的批归一化层；第二子单元包括依序连接的第三卷积层和第四卷积层，第三卷积层的卷积核为3x1，第四卷积层的卷积核为1x3；第一子单元的输出和第二子单元的输出连接起来作为当前的卷积组合的输出。