[发明专利]基于深度可分离卷积的轻量化人脸识别方法及系统

说明书

本发明公开了一种基于深度可分离卷积的轻量化人脸识别方法及系统，该人脸识别方法包括：对三层级联卷积神经网络进行训练，得到训练好的三层级联卷积神经网络；对深度可分离卷积神经网络进行训练，得到深度可分离卷积神经网络模型；对深度可分离卷积神经网络模型中的卷积层的权重系数进行压缩，得到训练好的深度可分离卷积神经网络模型；输入待识别人脸图像至训练好的三层级联卷积神经网络进行图像预处理，然后输出预处理图像至训练好的深度可分离卷积神经网络模型进行人脸识别。本发明通过采用深度可分离卷积减少计算量，降低模型大小，并进一步对深度可分离卷积神经网络模型中的卷积层的权重系数进行压缩，使得模型缩小35到49倍。

技术领域

本发明涉及人脸识别和深度学习领域，特别涉及于基于深度可分离卷积的轻量化人脸识别方法及系统。

背景技术

人脸识别是利用人类面部特征信息进行身份认证的一种技术。当前的人脸识别技术主要被应用到了以下方面：海口，机场，火车站等场合的证件验证；罪犯照片的存档管理和刑侦破案；视频监控中的人脸检测，跟踪和识别等等，此外，人脸识别技术在医学、人机交互、通道控制等领域也具有广阔的应用前景。

传统人脸识别算法所产生并且使用的特征可以被认为属于浅层特征，而且不能从原始图像中获取更加深入的高语义特征以及其深度特征，若要获得好的识别效果，这些传统人脸识别算法必须结合人造特征的帮助，而人为设定的特征在特征提取和识别过程中通常会带来不可期望的人为因素和误差；并且，在没有人为的干预下，传统人脸识别算法往往不能自动地从原始图像中提取有用的识别特征，从而使得传统人脸识别方法识别率较低。

因此，近年来，绝大多数当前最佳的人脸识别方法都是基于卷积神经网络的，卷积神经网络能够学习到优于传统手工特征的具有区分性的特征，从而具有优于传统的人脸识别方法的识别率。但是，卷积神经网络为层次结构，为了获得好的识别效果，网络层数很深，其中又包括多个卷积层，每个卷积层又包含多个卷积核，所以权重参数也很多，一般都是百万级别的，从而造成卷积神经网络模型很大，识别慢，进一步导致其无法广泛地应用于移动端。

发明内容

本发明的目的在于：针对现有的人脸识别方法中，模型过大而识别速度慢的问题，提供一种基于深度可分离卷积的轻量化人脸识别方法和系统，通过训练基于AM-Softmax损失函数的深度可分离卷积神经网络模型，进行人脸识别的方法，并对深度可分离卷积神经网络的权重系数进行压缩，从而降低模型大小,同时提高识别率和准确率。

本发明采用的技术方案如下：

一种基于深度可分离卷积的轻量化人脸识别方法，具体包括：

S1、构建三层级联卷积神经网络，并输入第一人脸图像数据集的图像金字塔，对所述三层级联卷积神经网络进行训练，得到训练好的三层级联卷积神经网络；

S2、构建基于AM-Softmax损失函数的深度可分离卷积神经网络，并输入第二人脸图像数据集，对所述深度可分离卷积神经网络进行训练，得到深度可分离卷积神经网络模型；

S3、对深度可分离卷积神经网络模型中的卷积层的权重系数进行压缩，得到训练好的深度可分离卷积神经网络模型；

S4、输入待识别人脸图像的图像金字塔至训练好的三层级联卷积神经网络进行图像预处理，然后输出预处理图像至训练好的深度可分离卷积神经网络模型进行人脸识别。

进一步地，步骤S2中基于AM-Softmax损失函数的深度可分离卷积神经网络，其结构包括：17个卷积模块；

第一个卷积模块是一个3x3的普通卷积层；

第二个卷积模块至第十四个卷积模块是深度可分离卷积模块；

第十五个卷积模块是一个7x7的平均池化层；

第十六个卷积模块是一个全连接层；