人脸识别方法.pdf

《人脸识别方法.pdf》由会员分享，可在线阅读，更多相关《人脸识别方法.pdf（7页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010807005.0 (22)申请日 2020.08.12 (71)申请人 创意信息技术股份有限公司 地址 610000 四川省成都市青羊区万和路 号丽阳天下 室 (72)发明人 钟凯花福军周建军姚易佳 (74)专利代理机构 成都金英专利代理事务所 (普通合伙) 51218 代理人 袁英 (51)Int.Cl. G06K 9/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种人脸识别方法 (57)摘要。

2、 本发明公开了一种人脸识别方法， S1： 对人 像进行人脸采集； S2： 对人脸进行预处理； S3： 对 人脸进行识别、 比对； 步骤S3包括以下子步骤： S31： 人脸特征提取； 所述人脸特征提取采用以下 具有不同特征提取层结构的特征提取算法： 特征 提取层由两个相对独立的子卷积网络组成， 输入 图片大小， 包含6个卷积层和6个池化层， 识别分 类层采用全连接， 最后用softmax函数判断分类； S32： 人脸特征比对。 本发明通过改进普通卷积神 经网络的特征提取算法， 采用具有不同的特征提 取层结构， 同时它们的对象识别层也融合了来自 不同单层提取的特征， 提高了人脸识别的准确 率， 本。

3、发明提出的算法模型识别准确率可达90%。 权利要求书1页 说明书3页 附图2页 CN 111950452 A 2020.11.17 CN 111950452 A 1.一种人脸识别方法， 其特征在于， 包括以下步骤： S1： 对人像进行人脸采集； S2： 对人脸进行预处理； S3： 对人脸进行识别、 比对； 步骤S3包括以下子步骤： S31： 人脸特征提取； 所述人脸特征提取采用以下具有不同特征提取层结构的特征提取算法： 特征提取层由两个相对独立的子卷积网络组成， 输入图片大小， 包含6个卷积层和6个 池化层， 识别分类层采用全连接， 最后用softmax函数判断分类； S32： 人脸特征比对。。

4、 2.根据权利要求1所述的一种人脸识别方法， 其特征在于， 所述人脸采集采用人脸抓拍 机完成。 3.根据权利要求1所述的一种人脸识别方法， 其特征在于， 所述人脸特征提取和人脸特 征比对采用残差网络作为骨干网络。 4.根据权利要求1所述的一种人脸识别方法， 其特征在于， 所述6个卷积层分别为C1、 C2、 C5、 C6、 C9、 C10， 6个池化层分别为S3、 S4、 S7、 S8、 S11、 S12， 识别分类层分别为F13、 F14。 5.根据权利要求4所述的一种人脸识别方法， 其特征在于， 卷积层C1有20个44大小的 卷积核， 有20个不同的特征映射， C1的大小是484020； 卷。

5、积层C2有20个88大小的卷积 核， 有20个不同的特征映射， C2的大小是443620； 池化层对C1的每个22的区域取最大 值， 大小为242020； 池化层S4对C2的每个22的区域取最大值， 大小为221820； 卷积层C5对33卷积核采用S3进行卷积运算， 特征取40个， 大小为221840， 卷积层 C6对S4进行卷积运算， 卷积核大小是55， 特征取40个， 大小为181440； 池化层S7用2 2的窗口取最大值对C5进行采样池化， 所得大小为11940； 池化层S8对C6进行采样， 同样 取22的窗口最大值池化， 所得大小为9740； 卷积层C9和C10采用对22的卷积核分别对。

6、S7和S8进行卷积运算， 特征都为60个， 大小 分别为10860和8660； 池化层S11和Sl2采用22的窗口最大值池化分别对C9和C10 进行下采样， 所得大小分别为5460和4360。 6.根据权利要求4所述的一种人脸识别方法， 其特征在于， 识别分类层F14和F13采用全 连接， F13的输入来自S3、 S4、 S7、 S8、 S11、 S12， 计算公式为：用 softmax函数表示最后分类层输出， 公式为： xiwix+b，其中： x :表示F14的输出； b:表示特征点的偏置参数； wi:表示第i个特征点的权重。 7.根据权利要求1所述的一种人脸识别方法， 其特征在于， 所述人。

7、脸特征比对利用神经 网络学习高度抽象的人脸特征， 然后将特征表示为特征向量， 通过比较特征向量之间的欧 式距离来判定两张照片是否是同一个人。 权利要求书 1/1 页 2 CN 111950452 A 2 一种人脸识别方法 技术领域 0001 本发明涉及人脸识别技术领域， 尤其涉及一种人脸识别方法。 背景技术 0002 人脸识别， 是基于人的脸部特征信息进行身份识别的一种生物识别技术。 用摄像 机或摄像头采集含有人脸的图像或视频流， 并自动在图像中检测和跟踪人脸， 进而对检测 到的人脸进行脸部分析的一系列相关技术， 通常也叫做人像识别、 面部识别。 0003 人脸识别技术目前已广泛应用于金融、 。

8、司法、 安保、 边检、 航天、 电力、 教育、 医疗等 领域， 为生产生活带来了极大便利， 目前的人脸识别技术在准确率上还存在着不足。 发明内容 0004 本发明的目的在于， 针对上述问题， 提出一种人脸识别方法， 通过改进普通卷积神 经网络的特征提取算法， 采用具有不同的特征提取层结构， 同时它们的对象识别层也融合 了来自不同单层提取的特征， 提高了人脸识别的准确率， 本发明提出的算法模型识别准确 率可达90。 0005 一种人脸识别方法， 包括以下步骤： 0006 S1： 对人像进行人脸采集； 0007 S2： 对人脸进行预处理； 0008 S3： 对人脸进行识别、 比对； 0009 步骤。

9、S3包括以下子步骤： 0010 S31： 人脸特征提取； 0011 所述人脸特征提取采用以下具有不同特征提取层结构的特征提取算法： 0012 特征提取层由两个相对独立的子卷积网络组成， 输入图片大小， 包含6个卷积层和 6个池化层， 识别分类层采用全连接， 最后用softmax函数判断分类； 0013 S32： 人脸特征比对。 0014 进一步的， 人脸采集采用人脸抓拍机完成。 0015 进一步的， 人脸特征提取和人脸特征比对采用残差网络作为骨干网络。 0016 进一步的， 6个卷积层分别为C1、 C2、 C5、 C6、 C9、 C10， 6个池化层分别为S3、 S4、 S7、 S8、 S11。

10、、 S12， 识别分类层分别为F13、 F14。 0017 进一步的， 卷积层C1有20个44大小的卷积核， 有20个不同的特征映射， C1的大小 是484020； 卷积层C2有20个88大小的卷积核， 有20个不同的特征映射， C2的大小是44 3620； 池化层对C1的每个22的区域取最大值， 大小为242020； 池化层S4对C2的每 个22的区域取最大值， 大小为221820； 0018 卷积层C5对33卷积核采用S3进行卷积运算， 特征取40个， 大小为221840， 卷 积层C6对S4进行卷积运算， 卷积核大小是55， 特征取40个， 大小为181440； 池化层S7 用22的窗口。

11、取最大值对C5进行采样池化， 所得大小为11940； 池化层S8对C6进行采 说明书 1/3 页 3 CN 111950452 A 3 样， 同样取22的窗口最大值池化， 所得大小为9740； 0019 卷积层C9和C10采用对22的卷积核分别对S7和S8进行卷积运算， 特征都为60个， 大小分别为10860和8660； 池化层S11和Sl2采用22的窗口最大值池化分别对C9 和C10进行下采样， 所得大小分别为5460和4360。 0020 进一步的， 识别分类层F14和F13采用全连接， F13的输入来自S3、 S4、 S7、 S8、 S11、 S12， 计算公式为：用softmax函数表。

12、示最后分类层的输出， 公 式为： xiwix+b， 0021 进一步的， 人脸特征比对利用神经网络学习高度抽象的人脸特征， 然后将特征表 示为特征向量， 通过比较特征向量之间的欧式距离来判定两张照片是否是同一个人。 0022 本发明的有益效果： 通过改进普通卷积神经网络的特征提取算法， 采用具有不同 的特征提取层结构， 同时它们的对象识别层也融合了来自不同单层提取的特征， 提高了人 脸识别的准确率， 本发明提出的算法模型识别准确率可达90。 附图说明 0023 图1是本发明方法流程框图。 0024 图2是本发明采用的特征提取算法结构示意图。 具体实施方式 0025 为了对本发明的技术特征、 目。

13、的和效果有更加清楚的理解， 现对照附图说明本发 明的具体实施方式。 0026 如图1、 2所示， 一种人脸识别方法， 包括以下步骤： 0027 S1： 对人像进行人脸采集； 人脸采集采用人脸抓拍机完成； 0028 S2： 对人脸进行预处理； 0029 S3： 对人脸进行识别、 比对； 0030 步骤S3包括以下子步骤： 0031 S31： 人脸特征提取； 0032 所述人脸特征提取采用以下具有不同特征提取层结构的特征提取算法： 0033 特征提取层由两个相对独立的子卷积网络组成， 输入图片大小， 包含6个卷积层和 6个池化层， 识别分类层采用全连接， 最后用softmax函数判断分类； 003。

14、4 S32： 人脸特征比对。 0035 人脸特征提取和人脸特征比对采用残差网络作为骨干网络， 以获得更好的性能。 0036 本方案人脸识别的业务架构， 可以分为三大层次： 样本标注、 模型训练和模型应 用。 样本标注， 包括人脸区域检测样本标注和人脸特征点标定样本标注； 模型训练， 包括人 脸区域检测模型训练、 人脸区域检测模型评估， 人脸特征点标定模型训练、 人脸特征点标定 模型评估， 以及人脸比对模型训练和人脸比对模型评估； 模型应用， 包括人脸识别、 人脸比 对。 0037 人脸识别的技术架构， 可以划分为四个层次： 基础设施层、 学习框架层、 算法模型 说明书 2/3 页 4 CN 1。

15、11950452 A 4 层和算法应用层。 基础设施层主要包括CPU/GPU/大数据， 其中与人脸识别相关度最高的是 GPU， 对应的开发框架是cuda。 学习框架层主要包括计算机视觉相关的Opencv、 TensorFlow 和Keras。 算法模型层涉及的关键技术主要包括人脸区域检测算法模型(CNN)， 人脸特征点 检测算法模型(CNN)， 人脸对齐算法模型。 算法应用层主要包括人脸检测、 人脸特征点标定、 人脸比对等。 0038 本方案的特征提取算法在普通卷积神经网络的基础上作了适当改进， 其具有不同 的特征提取层结构， 同时它们的对象识别层也融合了来自不同单层提取的特征。 0039 特。

16、征提取层由两个相对独立的子卷积网络组成， 输入图片大小5143， 包含6个卷 积层(C1、 C2、 C5、 C6、 C9、 C10)和6个池化层(S3、 S4、 S7、 S8、 S11、 S12)， 识别分类层(F13、 F14) 采用全连接， 最后用softmax函数判断分类。 0040 6个卷积层分别为C1、 C2、 C5、 C6、 C9、 C10， 6个池化层分别为S3、 S4、 S7、 S8、 S11、 S12， 识别分类层分别为F13、 F14。 0041 卷积层C1有20个44大小的卷积核， 有20个不同的特征映射， C1的大小是4840 20； 卷积层C2有20个88大小的卷积核。

17、， 有20个不同的特征映射， C2的大小是4436 20； 池化层对C1的每个22的区域取最大值， 大小为242020； 池化层S4对C2的每个22 的区域取最大值， 大小为221820。 0042 卷积层C5对33卷积核采用S3进行卷积运算， 特征取40个， 大小为221840， 卷 积层C6对S4进行卷积运算， 卷积核大小是55， 特征取40个， 大小为181440； 池化层S7 用22的窗口取最大值对C5进行采样池化， 所得大小为11940； 池化层S8对C6进行采 样， 同样取22的窗口最大值池化， 所得大小为9740。 0043 卷积层C9和C10采用对22的卷积核分别对S7和S8进。

18、行卷积运算， 特征都为60个， 大小分别为10860和8660； 池化层S11和Sl2采用22的窗口最大值池化分别对C9 和C10进行下采样， 所得大小分别为5460和4360。 0044 识别分类层F14和F13采用全连接， F13的输入来自S3、 S4、 S7、 S8、 S11、 S12， 计算公 式为：用softmax函数表示最后分类层的输出， 公式为： xi wix+b， 0045 人脸特征比对利用神经网络学习高度抽象的人脸特征， 然后将特征表示为特征向 量， 通过比较特征向量之间的欧式距离来判定两张照片是否是同一个人。 0046 在本实施例中， 提出的一种人脸识别方法， 通过改进普通。

19、卷积神经网络的特征提 取算法， 采用具有不同的特征提取层结构， 同时它们的对象识别层也融合了来自不同单层 提取的特征， 提高了人脸识别的准确率， 本发明提出的算法模型识别准确率可达90。 0047 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。 本行业的技术 人员应该了解， 本发明不受上述实施例的限制， 上述实施例和说明书中描述的只是说明本 发明的原理， 在不脱离本发明精神和范围的前提下， 本发明还会有各种变化和改进， 这些变 化和改进都落入要求保护的本发明范围内。 本发明要求保护范围由所附的权利要求书及其 等效物界定。 说明书 3/3 页 5 CN 111950452 A 5 图1 说明书附图 1/2 页 6 CN 111950452 A 6 图2 说明书附图 2/2 页 7 CN 111950452 A 7 。