[发明专利]一种基于深度学习模型的人脸识别方法

说明书

本发明公开了一种基于深度学习模型的人脸识别方法，包括：构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定；构建卷积神经网络，用于利用大规模人脸数据集进行改进的卷积深度神经网络构建；对网络参数进行训练，用于利用误差反向传播算法对神经网络参数进行训练；图片预处理，用于基于MTCNN算法的人脸检测和人脸归一化处理，将图片转化成统一的特征向量表示；输入模型进行类别判定，用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。本发明改进了传统的卷积神经网络中的正则化项，提出了一种新的神经网络权重初始化的方法，能够显著提升人脸识别分类的效果。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于深度学习模型的人脸识别方法。

背景技术

如何准确、有效的识别用户身份,提升信息安全已成为一项重要的研究课题。传统的身份签订技术主要依靠外物(身份证,钥匙等)，或者自身记忆(密码,用户名等)，然而不管是借助于外物还是自身记忆,都存在着严重的安全隐患。

人脸，与指纹、虹膜等一样，作为生物识别的一个重要特征，在档案管理系统、安全验证系统、公安系统的罪犯追踪、视频监控等方面有着很广阔的应用前景。人脸特征采集手段十分简单、方便、隐蔽，使用者也不会因为隐私等问题而产生抗拒心理，越来越发挥着重要的作用。人脸识别，目前的方法集中在以下几个方面：

(1)基于几何特征的方法

首先检测出嘴巴、鼻子、眼睛、眉毛等有突出结构特征的人脸部位的位置和大小信息，以及这些区域之间的总体几何分布、彼此之间的相对距离和比例等相关参数，以此来构成一个可用于人脸表征的特征向量。

(2)基于模板匹配的方法

主要有两种方式：静态匹配和弹性匹配。

静态模板匹配中，主要是利用整幅灰度级图像、人脸特征区域的灰度图像以及变化后的人脸图像。首先对待识别和已知人脸图像都进行标准化，并经过同样的变换、尺度归一化以及灰度化处理后进行匹配，以此来确定待识别图像的类别。

弹性匹配的方法通过设计一个能量函数，包括了图像的一些统计信息以及人脸特征形状的先验知识信息。这种方法比静态模板更加灵活，更加有鲁棒性，但是对于参数的初始化要求高，模型的计算时间长，并且容易陷入局部最小。

(3)基于统计的方法

基于统计的方法是有完善的统计学理论基础，所以发展的比较迅速，也取得了很多不错的结果。这类方法认为图像中的人脸可以看作是随机的向量，能够通过一些统计学上的方法来分析其中模式。

(4)基于传统神经网络的方法

它不需要人工进行特征提取算法的设计与研究工作，能够通过对数据集进行自动学习，并且能提取到更优秀的人脸特征表达和图像模式的隐性规律。虽然神经网络的方法有其独特的优势、较强的鲁棒性，但是神经网络没有那么严格的理论验证解释，并且要求通过较多的人脸图片来学习，训练速度要慢很多，并且可能会陷入局部最优。

(5)基于深度学习的方法

深度学习是一种提取特征的、端到端学习的方法，其学习流程简单，不用像传统的人脸识别方法那样手工设计特征，常见的深度学习方法主要有：自编码器(Auto Encode)、玻尔兹曼机(RBM)、深度置信网络(DBN)、卷积神经网络(CNN)。其中在图片识别领域中，最常见的、取得效果最明显的就是卷积神经网络(CNN)。

发明内容

为了解决上述问题，本发明提出一种基于深度学习模型的人脸识别方法。

具体的，一种基于深度学习模型的人脸识别方法，包括：构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定；

所述构建卷积神经网络，用于利用大规模人脸数据集进行改进的卷积深度神经网络构建；