[发明专利]一种基于CNN模型的人脸识别方法及装置

说明书

本发明实施例公开了一种基于CNN模型的人脸识别方法及装置。该方案中，先对采集图像分别进行灰度特征和TT特征的提取，再分别使用多个CNN模型对灰度特征图像和TT特征图像进行CNN特征提取，利用采集图像的CNN特征提取结果与预先提取的注册图像的CNN特征提取结果，得到采集图像和注册图像的匹配分数，进而进行人脸识别。在利用多个CNN模型提取CNN特征之前，增加了灰度特征和TT特征的提取，其中，灰度特征由RGB图像转化而来，包含了原始图像的绝大多数信息，增加的TT特征对光强有较强的鲁棒性，该TT特征的提取能够很好地减弱光照对人脸识别系统的影响，提高人脸识别效果。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于CNN模型的人脸识别方法及装置。

背景技术

深层卷积神经网络(Convolutional Neural Network，CNN)是当前深度学习领域的网络模型之一，已被广泛地应用于人脸识别技术中。通过多个CNN模型分别提取人脸图像的不同位置的子图像块的图像特征并将提取的图像特征进行融合，是一种有效地提高人脸识别系统性能的方法。基于多个CNN模型的图像特征提取方法，如图1所示，对原图像的4个子图像块，利用4个CNN模型分别经过n层卷积层(Convolution，Conv)101，Conv1，Conv2，Conv3，……，Convn进行特征的提取，然后将4个CNN模型提取的特征经过全连接层(fullyconnected layers，FC)102进行串接融合。训练时，对串接融合的特征经由softmax层103分类输出预测分数，并将该预测分数与标签层预先输入的期望分数进行对比得到误差，根据误差对CNN模型的参数进行更新以向期望分数收敛；在进行人脸识别时，以串接融合的特征作为提取的特征与注册图像的特征进行对比。其中，卷积层的层数n达到一定数量时，称为深层CNN模型。

但在实际的人脸识别场景中，图像采集设备在不同时间(如白天和黑夜)、不同场合(如室内和室外)等条件下，采集的人脸图像的光照变化最大。以上基于多个CNN模型提取的特征无法消除光照变化的影响，人脸识别效果不佳。

发明内容

本发明实施例的目的是提供一种基于CNN模型的人脸识别方法及装置，用于解决现有的基于CNN模型的人脸识别方法受光照变化影响最大的问题。

本发明实施例的目的是通过以下技术方案实现的：

一种基于CNN模型的人脸识别方法，包括：

对待进行人脸识别的采集图像按照如下步骤进行特征提取：对输入的图像分别进行灰度特征和TT特征的提取，得到灰度特征图像和TT特征图像；在灰度特征图像中选取多个不同位置的子图像块分别作为多个CNN模型的输入，提取出多个CNN特征，以及在TT特征图像中选取与灰度特征图像的多个子图像块位置相同的多个子图像块分别作为多个CNN模型的输入，提取出多个CNN特征；

获取预先按照与所述特征提取步骤相同的步骤对注册图像提取到的基于灰度特征图像的多个CNN特征和基于TT图像的多个CNN特征；

计算基于采集图像的灰度特征图像提取的每个位置的子图像块的CNN特征，与基于注册图像的灰度特征图像提取的相同位置的子图像块的CNN特征之间的特征距离，并根据该特征距离确定该对相同位置的子图像块的第一匹配分数；计算基于采集图像的TT特征图像提取的每个位置的子图像块的CNN特征，与基于注册图像的TT特征图像提取的相同位置的子图像块的CNN特征之间的特征距离，并根据该特征距离确定该对相同位置的子图像块的第二匹配分数；将各对相同位置的子图像块的第一匹配分数和第二匹配分数按照预设策略融合，得到所述采集图像与注册图像的匹配分数；

根据所述采集图像与注册图像的匹配分数，进行人脸识别。

较佳地，所述将各对相同位置的子图像块的第一匹配分数和第二匹配分数按照预设策略融合，得到所述采集图像与注册图像的匹配分数，包括：