[发明专利]一种人脸采集识别方法、系统及存储介质

权利要求书

1.一种人脸采集识别方法，其特征在于，包括:

获取大量人脸图像，提取所述大量人脸图像的人脸特征，并标记人脸特征对应的人脸位置点，存储至人脸库；

触发智能终端进行人脸识别；提取待识别人脸的人脸特征；

获取待识别人脸的人脸特征的位置点；将待识别人脸的人脸特征的位置点与人脸库中n个人脸图像的人脸特征的位置点进行一一对比，n为自然数；在待识别人脸的人脸特征的位置点与人脸库中某人脸图像的人脸特征的位置点的距离小于第一设定阈值时，返回该人脸图像对应的人物信息。

2.根据权利要求1所述的人脸采集识别方法，其特征在于，还包括：将待识别人脸的人脸特征与人脸库中某人脸图像的人脸特征进行对比，返回待识别人脸的人脸特征与该人脸图像的人脸特征的相似度。

3.根据权利要求1所述的人脸采集识别方法，其特征在于，还包括：在待识别人脸的人脸特征的位置点与人脸库中所有人脸图像的人脸特征的位置点的距离均不小于第一设定阈值时，判定为人脸识别失败，则存储当次人脸识别所捕获的人脸图像。

4.根据权利要求3所述的人脸采集识别方法，其特征在于，还包括：判断人脸识别失败的原因是否存在环境原因，所述环境原因包括智能终端所在环境的光照强度低于预设的强度阈值。

5.根据权利要求1所述的人脸采集识别方法，其特征在于，所述提取待识别人脸的人脸特征包括：

基于卷积神经网络建立人脸特征点形状驱动深度模型；

通过RetinaFace人脸检测模型检测人脸，生成不同尺寸的多层检测框；所述检测框包含不同尺寸的目标框；在每层检测框对人脸特征点形状驱动深度模型进行训练；

利用训练后人脸特征点形状驱动深度模型进行人脸特征提取和融合，所述融合包括融合人脸特征位置点和人脸姿态。

6.根据权利要求5所述的人脸采集识别方法，其特征在于，所述人脸特征点形状驱动深度模型包括主网络和辅助子网络，所述主网络采用区域卷积网络。

7.根据权利要求1所述的人脸采集识别方法，其特征在于，所述提取待识别人脸的人脸特征包括：

建立FECNN参数模型,将人脸特征位置点与人脸图像送入FECNN参数模型中进行特征提取，得到待识别人脸的人脸特征。

8.根据权利要求7所述的人脸采集识别方法，其特征在于，所述建立FECNN参数模型包括：构建多个卷积层、多个池化层、多个Inception层、全连接特征提取层和softmax分类层，其中所述多个卷积层、多个池化层和多个Inception层交错依次连接，再与所述全连接特征提取层和softmax分类层依次连接。

9.一种人脸采集识别系统，其特征在于，包括:

人脸样本获取模块，用于获取大量人脸图像，提取所述大量人脸图像的人脸特征，并标记人脸特征对应的人脸位置点，存储至人脸库；

人脸识别模块，用于进行人脸识别；提取待识别人脸的人脸特征；

人脸匹配模块，用于获取待识别人脸的人脸特征的位置点；将待识别人脸的人脸特征的位置点与人脸库中n个人脸图像的人脸特征的位置点进行一一对比，n为自然数；在待识别人脸的人脸特征的位置点与人脸库中某人脸图像的人脸特征的位置点的距离小于第一设定阈值时，返回该人脸图像对应的人物信息。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时，实现如权利要求1至8任一项所述的人脸采集识别方法。