[发明专利]面部识别系统及面部识别方法

说明书

本案公开一种面部识别系统及面部识别方法，该面部识别系统包括处理器，该处理器具有人工神经网络，被配置为对人脸图像进行人脸识别、以及活体检测。该人工神经网络包括主干网络、人脸识别子网络、以及活体检测子网络，其中该主干网络之后并行耦接该人脸识别子网络与该活体检测子网络。该处理器通过该主干网络结合该人脸识别子网络进行上述人脸识别。该处理器通过该主干网络结合该活体检测子网络进行上述活体检测。

技术领域

本案是关于一种面部识别系统及面部识别方法，特别是关于一种基于人工神经网络的面部识别系统及面部识别方法

背景技术

面部识别有许多应用，例如，海关安检、交易支付、身份识别…等，可谓现在电脑领域一项热门技术。近几年越发成熟的人工智能(AI)技术也被用来实现面部识别。

如何架构出低计算量的人工智能面部识别系统，是本技术领域一项重要课题。

发明内容

本案要解决的技术问题是实现一种低计算量的基于人工神经网络的面部识别系统及面部识别方法。

根据本案一种实施方式实现的面部识别系统包括处理器。该处理器具有人工神经网络，被配置为对人脸图像进行人脸识别、以及活体检测。该人工神经网络包括主干网络、人脸识别子网络、以及活体检测子网络，其中该主干网络之后并行耦接该人脸识别子网络与该活体检测子网络。该处理器通过该主干网络结合该人脸识别子网络进行上述人脸识别。该处理器通过该主干网络结合该活体检测子网络进行上述活体检测。通过使用同一个主干网络，显著降低计算量，进而节省耗电量。

一种实施方式中，该处理器通过该主干网络提取该人脸图像的细粒度特征，其中，该人脸图像的细粒度特征是指该人脸图像中具有区分性的区域块的特征。该处理器通过该人脸识别子网络根据该细粒度特征进行上述人脸识别,且该处理器通过该活体检测子网络根据该细粒度特征进行上述活体检测。

一种实施方式中，该主干网络与该人脸识别子网络组成的第一网络训练完后，权重确定的该主干网络另外与权重尚未确定的该活体检测子网络结合，进行该活体检测子网络的训练。

一种实施方式中，该活体检测子网络包括顺序耦接的活体检测卷积层以及活体检测分类层。该主干网络与该人脸识别子网络组成的第一网络训练完后，权重确定的该主干网络、与权重尚未确定的该活体检测卷积层结合成第二网络，进行该活体检测卷积层的训练，使该活体检测卷积层的权重达初级状态。权重确定的该主干网络、权重达该初级状态的该活体检测卷积层、以及权重尚未确定的该活体检测分类层结合成第三网络，进行该活体检测卷积层的权重微调、以及该活体检测分类层的训练。

一种实施方式中，该主干网络包括M层网络，该人脸识别子网络包括N1层网络，该活体检测卷积层包括N2层网络，且该活体检测分类层包括N3层网络。该第一网络包括第一层至第(M+N1)层，基于该第一网络进行的训练包括以反向传播修改第(M+N1)层至第一层的权重。该第二网络包括该第一层至第(M+N2)层，基于该第二网络进行的训练包括以反向传播修改第(M+N2)层至第(M+1)层的权重，且反向传播中第M层至第一层的权重保持不变。该第三网络包括该第一层至第(M+N2+N3)层，基于该第三网络进行的训练包括以反向传播修改第(M+N2+N3)层至第(M+1)层的权重，且反向传播中第M层至第一层的权重保持不变。

一种实施方式中，基于该第二网络进行的该活体检测卷积层训练包括以深度信息进行监督训练，且基于该第三网络进行的该活体检测卷积层的权重微调、以及该活体检测分类层训练包括以类别信息进行监督训练。

一种实施方式中，假体训练数据的上述深度信息在所有特征点都是0，且假体训练数据的上述类别信息为0。此外，活体训练数据的上述深度信息反映各个特征点的深度，且活体训练数据的上述类别信息为1。

一种实施方式中，该处理器接收图像，对该图像进行人脸检测与人脸对齐处理以生成该人脸图像，其中，该图像由单目摄像头捕捉。