[发明专利]一种基于卷积神经网络的人脸识别场景适应的方法

说明书

一种基于卷积神经网络的人脸识别场景适应的方法，包括：1)收集人脸数据并做好分类标签，对数据做预处理和增强，分成训练集和验证集；2)将训练集数据送入设计好的卷积神经网络进行训练，得到预训练模型；3)用验证集数据测试预训练模型，根据测试结果调整训练参数重新训练；4)重复3)获得最佳预训练模型；5)根据不同应用场景收集人脸图像数据，在新收集的数据上微调预训练模型，得到新的适应场景的模型；6)用适应场景模型对待测试人脸图像提取特征，对特征中人脸五官部分做加权操作，得到最终特征向量；7)用余弦距离度量最终特征向量，判断是否是目标人脸，输出结果。本发明的优点：保证了人脸识别的准确性及模型的场景适应性。

技术领域

本发明涉及人脸识别分析领域，尤其涉及一种基于卷积神经网络与迁移学习相结合的人脸识别场景适应方法。

背景技术

随着互联网科技的快速发展进步，公共安全以及个人隐私等对科技的需求愈发迫切。近几十年来生物特征识别技术经过飞速的发展，可以很好的解决以上问题。生物特征作为一种人体的内在属性，拥有很强的自身稳定性与独特性。目前生物特征识别技术主要包括人脸识别、指纹识别、虹膜识别、声音识别等。相对与其他生物特征识别技术，人脸识别技术具有易采集、非接触、友好等特点，易于被人接受。公安部门在抓捕逃犯时，使用人脸识别技术可以通过监控视频快速追踪逃犯行踪，不仅极大提高工作效率，而且大大节省人力。当前个人财产、隐私等保密手段主要包括密码、指纹、磁条等，这些传统的保密手段容易被伪造、破译，已经不能满足现代社会经济活动和社会安全防范的需要。人脸识别技术只提取人脸特征，不易被盗取，完全能够取代传统的保密方式。因此，人脸识别技术能满足当前社会不、同人群的各种需求。

人脸识别技术主要包含两个难点：

1)人脸识别的准确率

2)多场景适应性

与本发明相关的现有技术一——基于模板匹配的人脸识别方法

现有技术一的技术方案

手工设计一种人脸特征，选取一张或者几张人脸图像提取特征生成模板。对待识别人脸图像提取特征，比较待识别人脸特征和模板特征，通过设定阈值来判断是否是目标人脸。

现有技术一的缺点：

1)需要手工设计复杂特征，难度比较大；

2)对光线、形变等干扰因素抗性差，准确率低。

与本发明有关的现有技术二——基于卷积神经网络的人脸识别方法

现有技术二的技术方案

收集大量人脸数据并制作标签，设计一种卷积神经网络开始训练模型。选取一张或者几张人脸图像提取特征生成模板对待识别人脸图像提取特征，比较待识别人脸特征和模板特征，通过设定阈值来判断是否是目标人脸。

现有技术二的缺点：

1)对不同场景适应效果差；

2)提取特征时对整张人脸图像操作，不能强调五官等重要差异性大的部位。

发明内容

本发明所要解决的技术问题在于提供了一种能够适应各种场景进行人脸识别，并且提升人脸识别准确率的基于卷积神经网络的人脸识别场景适应的方法。

本发明是通过以下技术方案解决上述技术问题的：一种基于卷积神经网络的人脸识别场景适应的方法，包括下述步骤：

1)收集人脸数据并做好分类标签，对做好标签的人脸图像数据做预处理和数据增强，分成训练集和验证集两部分；

2)将1)中获得的训练集数据送入设计好的卷积神经网络进行训练，得到预训练模型；