CN109359528A - 一种人脸识别神经网络 - Google Patents

一种人脸识别神经网络 Download PDF

Info

Publication number
CN109359528A
CN109359528A CN201811057519.8A CN201811057519A CN109359528A CN 109359528 A CN109359528 A CN 109359528A CN 201811057519 A CN201811057519 A CN 201811057519A CN 109359528 A CN109359528 A CN 109359528A
Authority
CN
China
Prior art keywords
recognition
neural network
convolutional layer
parameter
face
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
Application number
CN201811057519.8A
Other languages
English (en)
Inventor
李森
乐毅
黄明飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Open Intelligent Machine (shanghai) Co Ltd
Original Assignee
Open Intelligent Machine (shanghai) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Open Intelligent Machine (shanghai) Co Ltd filed Critical Open Intelligent Machine (shanghai) Co Ltd
Priority to CN201811057519.8A priority Critical patent/CN109359528A/zh
Publication of CN109359528A publication Critical patent/CN109359528A/zh
Priority to CN201910856348.3A priority patent/CN110781724A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明涉及人工智能技术领域，尤其涉及一种人脸识别神经网络，其特征在于，应用于一嵌入式系统；人脸识别神经网络包括：具有次序的预设数量的卷积层；具有次序的预设数量的池化层；除第一个以外的每个卷积层的输入端依次连接一个池化层的输出端；每个卷积层分别包括反映输出的特征数量的输出特征数量参数，反映学习快慢的学习速率参数，反映每次学习的程度的步长参数，以及用于激活自身的激活模型；其中，激活模型为最大特征图模型；能够形成适用于嵌入式环境的模型，消耗的计算资源少，计算功耗小；消耗的计算资源少，计算功耗小，能够使用于嵌入式平台，可移植性高。

Description

一种人脸识别神经网络
技术领域
本发明涉及人工智能技术领域，尤其涉及一种人脸识别神经网络。
背景技术
人脸识别技术是通过分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是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识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有一些较好的特征，比如：非强制性、非接触性、并发性、不易被察觉等。人脸识别利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。
传统的人脸识别实际上是图像处理和机器学习的结合，就是从图像中找出人脸区域，从人脸区域提取出特征数据，通过对比特征值计算相似度，但由于特征提取算法都是人工设计的特征，很难适应比较复杂的情况，比如光线强弱变化、有遮挡等，实际应用中准确率不高。但随着最近几年深度学习技术的兴起，越来越多基于深度学习的人脸识别技术出现，使得人脸识别的准确率大幅提高。不过，由于深度学习实现的算法为了达到更高的准确率模型非常大，参数量也很多，要求的计算资源也非常高，在嵌入式平台部署时速度很慢。
通常而言，基于深度学习的人脸识别算法，模型越是复杂，算法的准确率就越高，但同时模型文件就越大。在嵌入式平台，这需要更多的存储及内存空间，并且由于计算资源有限，不能运行太复杂的深度学习算法或者能运行但速度非常慢，不能达到实用的要求。
发明内容
针对上述问题，本发明提出了一种人脸识别神经网络，其中，应用于一嵌入式系统；所述人脸识别神经网络包括：
具有次序的预设数量的卷积层；
具有次序的所述预设数量的池化层；
除第一个以外的每个所述卷积层的输入端依次连接一个所述池化层的输出端；
每个所述卷积层分别包括反映输出的特征数量的输出特征数量参数，反映学习快慢的学习速率参数，反映每次学习的程度的步长参数，以及用于激活自身的激活模型；
其中，所述激活模型为最大特征图模型。
上述的人脸识别神经网络，其中，第一个所述卷积层的所述步长参数为2。
上述的人脸识别神经网络，其中，每个所述卷积层的所述输出特征数量参数分别为128。
上述的人脸识别神经网络，其中，第一个所述卷积层的所述学习速率参数为1。
上述的人脸识别神经网络，其中，所述预设数量为10。
上述的人脸识别神经网络，其中，第五个所述卷积层的卷积核大小为1。
上述的人脸识别神经网络，其中，第五个所述卷积层的步长参数为1，所述输出特征数量参数为512。
上述的人脸识别神经网络，其中，最后一个所述池化层输出的是256维的特征向量。
有益效果：本发明提出的一种人脸识别神经网络，消耗的计算资源少，计算功耗小，能够使用于嵌入式平台，可移植性高。
附图说明
图1为本发明一实施例中最大特征图模型的原理示意图；
图2为本发明一实施例中最大特征图模型的原理示意图；
图3为本发明一实施例中最大输出函数层的原理示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
在一个较佳的实施例中，如图1所示，提出了一种人脸识别神经网络，其中，应用于一嵌入式系统；人脸识别神经网络包括：
具有次序的预设数量的卷积层；
具有次序的预设数量的池化层；
除第一个以外的每个卷积层的输入端依次连接一个池化层的输出端；
每个卷积层分别包括反映输出的特征数量的输出特征数量参数，反映学习快慢的学习速率参数，反映每次学习的程度的步长参数，以及用于激活自身的激活模型；
其中，激活模型为最大特征图模型。
上述技术方案中，最后一个池化层并未与任何卷积层连接；完整的人脸识别神经网络可以是一种循环结构，按次序依次是输入端、第1个卷积层、第1个分割层、第1个最大输出函数层、第1个池化层、第2个卷积层、第2个分割层、第2个最大输出函数层、第2个池化层、…、第N个池化层；也就是说，循环结构包括多个组，每个组包括依次连接的卷积层、分割层、最大输出函数层和池化层；如图1所示，最大特征图模型通过竞争关系抑制一个神经元，可以是在两个通道中取一个最大值；如图2所示，最大特征图模型激活两个神经元而抑制一个神经元，也可以是在三个通道中去一个最大值和一个中间值；如图3所示，最大输出函数层则可以是在多个通道中取一个最大值；最大特征图模型不仅能够分离噪声信号与有用信号，还起到了特征选择的作用；该人脸识别神经网络采用的可以是轻量化的人脸识别算法模型。
在一个较佳的实施例中，第一个卷积层的步长参数为2，从而使得该卷积层具有足够的每次学习的程度。
在一个较佳的实施例中，每个卷积层的输出特征数量参数分别为128。
在一个较佳的实施例中，第一个卷积层的学习速率参数可以为1。
在一个较佳的实施例中，预设数量为10，即循环结构中存在10个组，卷积层和池化层的数量均为10。
上述实施例中，优选地，第五个卷积层的卷积核大小可以为1，使得网络接下来的输入进一步缩小，适当调整各层的学习速率，然后对新网络进行重新训练。
上述实施例中，优选地，第五个卷积层的步长参数可以为1，输出特征数量参数可以为512。
在一个较佳的实施例中，最后一个池化层输出的可以是256维的特征向量。
具体地，训练时的迭代次数可以是100000次，迭代基础参数可以为0.0001，经训练可完成模型的收敛。修改训练用的文件使得适合部署，模型大小和场景的优化使得此模型得以用于嵌入式平台。将训练好的模型文件和模型传至嵌入式开发板，配置好相应环境，测试结果可以达到25FPS(每秒帧数)的性能，满足实时的要求。
综上，本发明提出的一种人脸识别神经网络，训练出来的新模型大小压缩到5兆字节，显著减少了模型运行时的内存需求及计算需求，经验证精度相差较小，且在嵌入式平台能够顺利的运行，处理速度达到实时，且消耗的计算资源少，计算功耗小，能够使用于嵌入式平台，可移植性高。
通过说明和附图，给出了具体实施方式的特定结构的典型实施例，基于本发明精神，还可作其他的转换。尽管上述发明提出了现有的较佳实施例，然而，这些内容并不作为局限。
对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。

Claims (8)

1.一种人脸识别神经网络，其特征在于，应用于一嵌入式系统；所述人脸识别神经网络包括：
具有次序的预设数量的卷积层；
具有次序的所述预设数量的池化层；
除第一个以外的每个所述卷积层的输入端依次连接一个所述池化层的输出端；
每个所述卷积层分别包括反映输出的特征数量的输出特征数量参数，反映学习快慢的学习速率参数，反映每次学习的程度的步长参数，以及用于激活自身的激活模型；
其中，所述激活模型为最大特征图模型。
2.根据权利要求1所述的人脸识别神经网络，其特征在于，第一个所述卷积层的所述步长参数为2。
3.根据权利要求1所述的人脸识别神经网络，其特征在于，每个所述卷积层的所述输出特征数量参数分别为128。
4.根据权利要求1所述的人脸识别神经网络，其特征在于，第一个所述卷积层的所述学习速率参数为1。
5.根据权利要求1所述的人脸识别神经网络，其特征在于，所述预设数量为10。
6.根据权利要求5所述的人脸识别神经网络，其特征在于，第五个所述卷积层的卷积核大小为1。
7.根据权利要求5所述的人脸识别神经网络，其特征在于，第五个所述卷积层的步长参数为1，所述输出特征数量参数为512。
8.根据权利要求1所述的人脸识别神经网络，其特征在于，最后一个所述池化层输出的是256维的特征向量。
CN201811057519.8A 2018-09-11 2018-09-11 一种人脸识别神经网络 Pending CN109359528A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811057519.8A CN109359528A (zh) 2018-09-11 2018-09-11 一种人脸识别神经网络
CN201910856348.3A CN110781724A (zh) 2018-09-11 2019-09-11 一种人脸识别神经网络、方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811057519.8A CN109359528A (zh) 2018-09-11 2018-09-11 一种人脸识别神经网络

Publications (1)

Publication Number Publication Date
CN109359528A true CN109359528A (zh) 2019-02-19

Family

ID=65350839

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201811057519.8A Pending CN109359528A (zh) 2018-09-11 2018-09-11 一种人脸识别神经网络
CN201910856348.3A Pending CN110781724A (zh) 2018-09-11 2019-09-11 一种人脸识别神经网络、方法、装置、设备及存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201910856348.3A Pending CN110781724A (zh) 2018-09-11 2019-09-11 一种人脸识别神经网络、方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (2) CN109359528A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652049A (zh) * 2020-04-17 2020-09-11 北京三快在线科技有限公司 人脸图像处理模型训练方法、装置、电子设备及存储介质
CN113822307A (zh) * 2020-06-19 2021-12-21 南京中兴软件有限责任公司 一种图像预测方法、设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503669B (zh) * 2016-11-02 2019-12-10 重庆中科云丛科技有限公司 一种基于多任务深度学习网络的训练、识别方法及系统
CN107886064B (zh) * 2017-11-06 2021-10-22 安徽大学 一种基于卷积神经网络的人脸识别场景适应的方法
CN108427921A (zh) * 2018-02-28 2018-08-21 辽宁科技大学 一种基于卷积神经网络的人脸识别方法
CN109934197B (zh) * 2019-03-21 2023-07-07 深圳力维智联技术有限公司 人脸识别模型的训练方法、装置和计算机可读存储介质

Also Published As

Publication number Publication date
CN110781724A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN102520796B (zh) 一种基于逐步回归分析映射模型的视线跟踪方法
KR102174595B1 (ko) 비제약형 매체에 있어서 얼굴을 식별하는 시스템 및 방법
CN105138993B (zh) 建立人脸识别模型的方法及装置
Nixon et al. Human identification based on gait
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
CN106096561A (zh) 基于图像块深度学习特征的红外行人检测方法
CN108182397B (zh) 一种多姿态多尺度的人脸验证方法
CN106096535A (zh) 一种基于双线性联合cnn的人脸验证方法
CN103729614A (zh) 基于视频图像的人物识别方法及人物识别装置
CN101694691A (zh) 一种人脸图像合成方法及装置
CN108764096B (zh) 一种行人重识别系统和方法
CN105426872B (zh) 一种基于相关高斯过程回归的面部年龄估计方法
CN110246181A (zh) 基于锚点的姿态估计模型训练方法、姿态估计方法和系统
CN108921019A (zh) 一种基于GEI和TripletLoss-DenseNet的步态识别方法
Bu Human motion gesture recognition algorithm in video based on convolutional neural features of training images
Linder et al. Real-time full-body human gender recognition in (RGB)-D data
CN106408579B (zh) 一种基于视频的捏合指尖跟踪方法
CN112419326B (zh) 图像分割数据处理方法、装置、设备及存储介质
CN109919085A (zh) 基于轻量型卷积神经网络的人人交互行为识别方法
CN103400114A (zh) 针对人脸识别的光照归一化处理系统
Baek et al. Multimodal camera-based gender recognition using human-body image with two-step reconstruction network
CN109359528A (zh) 一种人脸识别神经网络
Kauba et al. Towards using police officers’ business smartphones for contactless fingerprint acquisition and enabling fingerprint comparison against contact-based datasets
CN110472495B (zh) 一种基于图形推理全局特征的深度学习人脸识别方法
Wei et al. A novel method for automatic camouflage pattern synthesize

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190219

WD01 Invention patent application deemed withdrawn after publication