CN108346208A - 一种深度学习的人脸识别系统 - Google Patents
一种深度学习的人脸识别系统 Download PDFInfo
- Publication number
- CN108346208A CN108346208A CN201810352493.3A CN201810352493A CN108346208A CN 108346208 A CN108346208 A CN 108346208A CN 201810352493 A CN201810352493 A CN 201810352493A CN 108346208 A CN108346208 A CN 108346208A
- Authority
- CN
- China
- Prior art keywords
- face
- recognition
- deep learning
- identification system
- face identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 235000014161 Caesalpinia gilliesii Nutrition 0.000 claims abstract description 4
- 244000003240 Caesalpinia gilliesii Species 0.000 claims abstract description 4
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000001815 facial effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Abstract
本发明公开了一种深度学习的人脸识别系统,包括人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口,所述人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口分别通过以太网与负载均衡器连接,所述负载均衡器通过算法云实现人脸数据分析,所述深度学习系统包括自然光处理模块、正脸检测模块和数据调优模块。本发明设计科学合理,可以提升监控系统和人证比对系统,能够实时有效的提升安防系统的安全性,适用场合广泛。
Description
技术领域
本发明涉及一种人脸识别技术,尤其涉及一种深度学习的人脸识别系统。
背景技术
人脸识别技术的研究始于20世纪60年代,80年代后随着计算机技术和光学成像技术的进步得到快速发展,90年代后期一些商业性的人脸识别系统逐渐进入市场。近年来,社会安全信息备受关注,信息检索,视频监控,移动支付以及各种娱乐应用等的飞速发展进一步推动了人脸识别技术的需求。现有的人脸识别系统大多在用户配合,采集条件比较理想的情况下可以取得令人满意的结果。但是,如果用户不配合,采集条件不理想(如光照不均匀,阴阳脸,分辨率低等),有各种遮挡的情况下,识别率将大大降。
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。deep learning与传统的神经网络之间有相同的地方也有很多不同。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种深度学习的人脸识别系统,用于解决上述背景技术中提到的技术问题。
本发明的目的采用如下技术方案实现:深度学习的人脸识别系统,包括人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口,所述人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口分别通过以太网与负载均衡器连接,所述负载均衡器通过算法云实现人脸数据分析,所述深度学习系统包括自然光处理模块、正脸检测模块和数据调优模块。
优选的,所述自然光处理模块包括从人脸图像之中学习到图像中的规则观察体(canonical view,标准正面人脸图像),从个体照片中自动选择/合成,该人脸恢复方法已经应用于人脸核实,效果良好。
优选的,所述正脸检测模块通过训练深度神经网络来进行人脸重建,loss函数为:i为第i个个体,k为第i个个体的第k张样本和Y为训练图像和目标图像,深度神经网络包含三层,前两层后接上了max pooling;最后一层接上了全连接层,最终,经过训练的深度神经网络生成的canonical view人脸图像,与传统卷积神经网络不同,该识别系统的filters不共享权重。
优选的,所述数据调优模块对于数据集中每一个个体,有多张图片以及单个pool的3DMM。我们将该数据用于训练模型,使模型可以根据同一个体不同的图片来生成类似的3DMM特征向量,采用了101层的deep ResNet网络来进行人脸识别,神经网络的输出层为198维度的3DMM特征向量,然后,使用CASIA图像生成的pooled 3DMM作为目标值对神经网络进行fine-tuned。
优选的,所述人脸识别系统设有数据存储模块。
优选的,所述人脸识别系统支持Offline的人脸识别和检测。
优选的,所述深度学习模型包括输入层、隐层(多层)、输出层组成的多层网络,只有相邻层节点之间有连接,同一层以及跨层节点之间相互无连接。
相比现有技术,本发明的有益效果在于:
本发明在现有技术的基础上采用自然光处理模块和正脸检测模块,取得了很好的人脸核实效果,可以减少人力成本并做到事前预防的功能,将通过人脸识别,提升监控系统和人证比对系统,能够实时有效的提升安防系统的安全性。
附图说明
图1为本发明深度学习的人脸识别系统的整体拓补结构示意图;
图2为本发明深度学习的人脸识别系统的深度学习模型结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1-2所示的深度学习的人脸识别系统,包括人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口,所述人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口分别通过以太网与负载均衡器连接,所述负载均衡器通过算法云实现人脸数据分析,所述深度学习系统包括自然光处理模块、正脸检测模块和数据调优模块。
进一步地,所述自然光处理模块包括从人脸图像之中学习到图像中的规则观察体(canonical view,标准正面人脸图像),从个体照片中自动选择/合成。
进一步地,所述正脸检测模块通过训练深度神经网络来进行人脸重建,loss函数为:i为第i个个体,k为第i个个体的第k张样本和Y为训练图像和目标图像,深度神经网络包含三层,前两层后接上了max pooling;最后一层接上了全连接层,最终,经过训练的深度神经网络生成的canonical view人脸图像。
进一步地,所述数据调优模块对于数据集中每一个个体,有多张图片以及单个pool的3DMM。我们将该数据用于训练模型,使模型可以根据同一个体不同的图片来生成类似的3DMM特征向量,采用了101层的deep ResNet网络来进行人脸识别,神经网络的输出层为198维度的3DMM特征向量,然后,使用CASIA图像生成的pooled 3DMM作为目标值对神经网络进行fine-tuned。
进一步地,所述人脸识别系统设有数据存储模块。
进一步地,所述人脸识别系统支持Offline的人脸识别和检测。
进一步地,所述深度学习模型包括输入层、隐层(多层)、输出层组成的多层网络,只有相邻层节点之间有连接,同一层以及跨层节点之间相互无连接。
具体工作过程:通过设有人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口,可以提升监控系统和人证比对系统,而且,可以学习人脸图像看不见的一面。因此,模型可以在保持个体之间的差异的同时,极大的减少单个个体人脸图像(同一人,不同图片)之间的差异。与当前使用2d环境或者3d信息来进行人脸重建的方法不同,经过训练的深度神经网络生成的canonical view人脸图像。本发明设计科学合理,可以提升监控系统和人证比对系统,能够实时有效的提升安防系统的安全性,适用场合广泛。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (7)
1.一种深度学习的人脸识别系统,包括人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口,其特征在于:所述人脸识别门岗一体机、人脸识别人证对照系统和人脸识别人形闸口分别通过以太网与负载均衡器连接,所述负载均衡器通过算法云实现人脸数据分析,所述深度学习系统包括自然光处理模块、正脸检测模块和数据调优模块。
2.如权利要求1所述的深度学习的人脸识别系统,其特征在于:所述自然光处理模块包括从人脸图像之中学习到图像中的规则观察体(canonical view,标准正面人脸图像),从个体照片中自动选择/合成。
3.如权利要求1所述的深度学习的人脸识别系统,其特征在于:所述正脸检测模块通过训练深度神经网络来进行人脸重建,loss函数为:i为第i个个体,k为第i个个体的第k张样本和Y为训练图像和目标图像,深度神经网络包含三层,前两层后接上了max pooling;最后一层接上了全连接层,最终,经过训练的深度神经网络生成的canonical view人脸图像。
4.如权利要求1所述的深度学习的人脸识别系统,其特征在于:所述数据调优模块对于数据集中每一个个体,有多张图片以及单个pool的3DMM。我们将该数据用于训练模型,使模型可以根据同一个体不同的图片来生成类似的3DMM特征向量,采用了101层的deep ResNet网络来进行人脸识别,神经网络的输出层为198维度的3DMM特征向量,然后,使用CASIA图像生成的pooled 3DMM作为目标值对神经网络进行fine-tuned。
5.如权利要求1或2所述的深度学习的人脸识别系统,其特征在于:所述人脸识别系统设有数据存储模块。
6.如权利要求1-5所述的深度学习的人脸识别系统,其特征在于:所述人脸识别系统支持Offline的人脸识别和检测。
7.如权利要求1所述的深度学习的人脸识别系统,其特征在于:所述深度学习模型包括输入层、隐层(多层)、输出层组成的多层网络,只有相邻层节点之间有连接,同一层以及跨层节点之间相互无连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810352493.3A CN108346208A (zh) | 2018-04-19 | 2018-04-19 | 一种深度学习的人脸识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810352493.3A CN108346208A (zh) | 2018-04-19 | 2018-04-19 | 一种深度学习的人脸识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108346208A true CN108346208A (zh) | 2018-07-31 |
Family
ID=62955769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810352493.3A Pending CN108346208A (zh) | 2018-04-19 | 2018-04-19 | 一种深度学习的人脸识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108346208A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902611A (zh) * | 2019-02-22 | 2019-06-18 | 矩阵元技术(深圳)有限公司 | 目标证件的检测方法、装置和终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991390A (zh) * | 2017-03-30 | 2017-07-28 | 电子科技大学 | 一种基于深度学习的手持人证比对系统及方法 |
CN107403173A (zh) * | 2017-08-21 | 2017-11-28 | 合肥麟图信息科技有限公司 | 一种人脸识别系统及方法 |
WO2017215240A1 (zh) * | 2016-06-14 | 2017-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN107609459A (zh) * | 2016-12-15 | 2018-01-19 | 平安科技(深圳)有限公司 | 一种基于深度学习的人脸识别方法及装置 |
-
2018
- 2018-04-19 CN CN201810352493.3A patent/CN108346208A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215240A1 (zh) * | 2016-06-14 | 2017-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN107609459A (zh) * | 2016-12-15 | 2018-01-19 | 平安科技(深圳)有限公司 | 一种基于深度学习的人脸识别方法及装置 |
CN106991390A (zh) * | 2017-03-30 | 2017-07-28 | 电子科技大学 | 一种基于深度学习的手持人证比对系统及方法 |
CN107403173A (zh) * | 2017-08-21 | 2017-11-28 | 合肥麟图信息科技有限公司 | 一种人脸识别系统及方法 |
Non-Patent Citations (1)
Title |
---|
范雪等: "基于深度学习的人脸图像扭正算法", 《信息通信》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902611A (zh) * | 2019-02-22 | 2019-06-18 | 矩阵元技术(深圳)有限公司 | 目标证件的检测方法、装置和终端设备 |
CN109902611B (zh) * | 2019-02-22 | 2021-03-02 | 矩阵元技术(深圳)有限公司 | 目标证件的检测方法、装置和终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815893B (zh) | 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法 | |
CN108520535B (zh) | 基于深度恢复信息的物体分类方法 | |
CN105005774B (zh) | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 | |
CN108764065A (zh) | 一种行人重识别特征融合辅助学习的方法 | |
CN110348387B (zh) | 一种图像数据处理方法、装置以及计算机可读存储介质 | |
CN110008842A (zh) | 一种基于深度多损失融合模型的行人重识别方法 | |
CN108921037B (zh) | 一种基于BN-inception双流网络的情绪识别方法 | |
CN111046964B (zh) | 一种基于卷积神经网络的人和车辆红外热图像识别方法 | |
CN108509862A (zh) | 抗角度与遮挡干扰的快速人脸识别方法 | |
CN105138954A (zh) | 一种图像自动筛选查询识别系统 | |
CN104951773A (zh) | 一种实时人脸识别监视系统 | |
CN105046219A (zh) | 一种人脸识别系统 | |
CN109344759A (zh) | 一种基于角度损失神经网络的亲属识别方法 | |
CN110929679A (zh) | 一种基于gan的无监督自适应行人重识别方法 | |
CN111768336A (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 | |
CN107066979A (zh) | 一种基于深度信息和多维度卷积神经网络的人体动作识别方法 | |
WO2022156061A1 (zh) | 一种图像模型训练方法、装置及电子设备、存储介质 | |
CN109685724A (zh) | 一种基于深度学习的对称感知人脸图像补全方法 | |
CN107316029A (zh) | 一种活体验证方法及设备 | |
CN110070027A (zh) | 基于智能物联网系统的行人重识别方法 | |
CN108764250A (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
CN110059593A (zh) | 一种基于反馈卷积神经网络的面部表情识别方法 | |
CN108985200A (zh) | 一种基于终端设备的非配合式的活体检测算法 | |
CN116052218B (zh) | 一种行人重识别方法 | |
CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180731 |