[发明专利]基于多神经网络的高适应性人脸识别系统及其方法

权利要求书

1.一种基于多神经网络的高适应性人脸识别系统，其特征在于，包括多个轻量化网络及相似度计算模块和结果输出模块，各轻量化网络分别经过不同训练集训练而得，所述的相似度计算模块用于分别计算各轻量化网络对待识别图像识别得到的识别特征相对于相应参考特征的相似度得分，所述的结果输出模块用于根据相似度计算结果输出识别结果。

2.根据权利要求1所述的基于多神经网络的高适应性人脸识别系统，其特征在于，相应参考特征为相应轻量化网络对参考图像识别获得；

且所述的相似度计算模块通过以下方式得到识别特征相对于参考特征的相似度得分：

Si＝E-dissi (1)

其中，Si表示第i个识别特征相对于第i个参考特征的相似度得分，第i个识别特征由第i个轻量化网络对待识别图像识别得到，第i个参考特征由第i个轻量化网络对参考图像识别得到；

E为常数；

dissi表示第i个识别特征与第i个参考特征之间的欧式距离；

FAi表示第i个识别特征；

FBi表示第i个参考特征；

m表示一个识别特征/参考特征是一个m维向量，[0]…[m-1]分别表示识别特征/参考特征的第0维至第m-1维的向量。

3.根据权利要求2所述的基于多神经网络的高适应性人脸识别系统，其特征在于，所述的结果输出模块通过以下方式输出识别结果：

从多个相似度得分中选择一个最大的相似度得分作为最终得分，并将最终得分与得分阈值进行比较，根据比较结果输出识别成功或失败的识别结果。

4.根据权利要求2所述的基于多神经网络的高适应性人脸识别系统，其特征在于，所述的结果输出模块通过以下方式输出识别结果：

S＝a1*S1+a2*S2+……an*Sn

S为最终得分，{S1，S2，……，Sn}为n个轻量化网络的n个识别特征的相似度得分；

{a1，a2，……，an}为经验值

将最终得分S与得分阈值进行比较，并根据比较结果输出识别成功或失败的识别结果。

5.根据权利要求4所述的基于多神经网络的高适应性人脸识别系统，其特征在于，各轻量化网络为mobilefacenet，shufflenet，mnasnet中的任意一种或多种的组合。

6.根据权利要求5所述的基于多神经网络的高适应性人脸识别系统，其特征在于，各轻量化网络具有相同的网络结构。

7.根据权利要求6所述的基于多神经网络的高适应性人脸识别系统，其特征在于，各轻量化网络共享网络结构，同时具有各自的权重。

8.一种基于多神经网络的高适应性人脸识别方法，其特征在于，包括以下步骤：

S1.n个轻量化网络分别对待识别图像进行识别，得到n个识别特征；

S2.获取n个轻量化网络对参考图像进行识别获得的n个参考特征，通过相似度计算模块计算n个识别特征相对于n个参考特征的相似度得分；

S3.由结果输出模块根据相似度计算结果输出识别结果。

9.根据权利要求8所述的基于多神经网络的高适应性人脸识别方法，其特征在于，步骤S2中，n个轻量化网络对待识别图像进行识别的同时对参考图像进行识别以获取n个轻量化网络对参考图像进行识别获得的n个参考特征；或者，所述的参考特征由n个轻量化网络事先对参考图像进行识别获得并存储；

步骤S1之前还包括：

使用不同的训练集训练各轻量化网络得到多个具有不同针对性的轻量化网络。

10.根据权利要求8所述的基于多神经网络的高适应性人脸识别方法，其特征在于，所述的相似度计算模块通过以下方式得到识别特征相对于参考特征的相似度得分：

Si＝E-dissi (1)

其中，Si表示第i个识别特征相对于第i个参考特征的相似度得分，第i个识别特征由第i个轻量化网络对待识别图像识别得到，第i个参考特征由第i个轻量化网络对参考图像识别得到；

E为常数；

dissi表示第i个识别特征与第i个参考特征之间的欧式距离；

FAi表示第i个识别特征；

FBi表示第i个参考特征；

m表示一个识别特征/参考特征是一个m维向量，[0]…[m-1]分别表示识别特征/参考特征的第0维至第m-1维的向量；

所述的结果输出模块通过以下方式之一输出识别结果：

1)从多个相似度得分中选择一个最大的相似度得分作为最终得分，并将最终得分与得分阈值进行比较，根据比较结果输出识别成功或失败的识别结果；

2)S＝a1*S1+a2*S2+……an*Sn

S为最终得分，{S1，S2，……，Sn}为n个轻量化网络的n个识别特征的相似度得分；

{a1，a2，……，an}为经验值

将最终得分S与得分阈值进行比较，并根据比较结果输出识别成功或失败的识别结果。