[发明专利]基于深度卷神经网络的人脸识别方法、装置和存储介质

说明书

技术领域

本发明涉及人脸识别技术领域，特别是一种基于深度卷积神经网络的人脸识别方法、装置、存储介质和服务器。

背景技术

随着计算机及互联网技术的高速发展，数据规模呈爆发式增长，海量数据的智能化分析处理也逐渐成为有效利用数据价值的关键。作为近年来兴起的人工智能的一个典型代表，深度卷积神经网络的深度学习算法模型在模式识别、人机对抗等领域得到高度发展，并取得了诸多的成果。

基于生物特征的身份识别对于安防领域及各种身份认证系统具有重要作用。人脸识别的非接触性和非强制性，以及准确、方便、直观的特点，使其具有良好的发展和应用前景。目前，尽管基于卷积神经网络计算的人脸识别得到了广泛应用，但庞大的数据运算量一方面使得人脸识别速度大大降低，另一方面也对硬件的性能和算法的设计提出了更严格的要求。

发明内容

鉴于上述情况，本发明提供了一种基于深度卷神经网络的人脸识别方法和装置，以减小数据运算量，提高人脸识别效率。

本发明的一个方面提供了一种基于深度卷积神经网络的人脸识别方法，包括：获取归一化的人脸图块数据；将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射；其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；以及根据所述人脸高层次的特征映射识别人脸。

在一个实施例中，所述深度卷积神经网络模型包括多个卷积层、连接在所述多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸高层次特征映射的全连接层；所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射包括：对所述多个卷积层中的至少一个输出的中间特征进行最大化竞争。

在一个实施例中，所述最大化竞争的函数为f(x)＝max_1≤j≤ko(i,j)；其中，o(i,j)＝x^TW_ij+b_ij，其代表卷积层输出的中间特征，W是卷积权重阵，b是偏置向量。

在一个实施例中，所述深度卷积神经网络模型包括七个卷积层，所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理包括：对所述七个卷积层中的每一个输出的中间特征均进行最大化竞争操作。

在一个实施例中，所述数据处理还包括对经最大化竞争操作所得的至少一个特征图进行最大值池化操作。

在一个实施例中，所述获取归一化的人脸图块数据包括：检测一个或多个人脸的目标图像；获取所述一个或多个人脸目标图像中人脸的典型特征位置，并将所述典型特征位置以空间坐标表达；以所述典型特征位置为基础，对所述目标图像进行几何变换；从经过几何变换后的图像中截取特定尺寸的人脸图块。

在一个实施例中，所述人脸的典型特征位置包括眼睛的中心位置、鼻尖和嘴唇的两个角。

在一个实施例中，所述人脸的典型特征位置包括左眼中心、右眼中心和嘴唇中点；所述以所述典型特征位置为基础，对所述目标图像进行几何变换包括：对所述左眼中心和所述右眼中心进行两点相似变换，以及对两眼中心和所述嘴唇中点进行两点相似变换。

在一个实施例中，所述几何变换包括平移变换、尺度变换和旋转变换、区域提取的至少之一。

在一个实施例中，所述从经过几何变换后的图像中截取特定尺寸的人脸图块包括：对经过几何变换的图像进行剪裁和/或缩放，获得特定尺寸的人脸图块。

在一个实施例中，所述从经过几何变换后的图像中截取特定尺寸的人脸图块还包括：对所述人脸图块进行灰度处理。

在一个实施例中，所述根据所述人脸高层次的特征映射识别人脸包括：将所述人脸高层次的特征映射与预存储的人脸信息进行距离对比，并根据比较结果判断人脸的身份。

在一个实施例中，所述根据所述人脸高层次的特征映射识别人脸包括：将获得的两个人脸高层次的特征映射进行距离对比，并根据比较结果判断两个人脸是否属于同一个人。

在一个实施例中，将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射之前还包括：通过随机梯度下降法训练所述深度卷积神经网络模型。