CN109800707A - 一种基于cnn模型的人脸识别方法、装置及存储介质 - Google Patents

Abstract

本申请公开了一种基于深层卷积神经网络CNN模型的人脸识别方法，包括：获取待识别人脸图像。将待识别人脸图像输入预训练的CNN模型，得到第一数值。若第一数值不大于预设数值，则确定识别失败。本申请实施例还提供相应的人脸识别装置以及存储介质。本申请技术方案通过将待识别人脸图像输入本申请提供的CNN模型，得到第一数值，并将第一数值与预设值比较，得出识别结果，降低人脸识别技术应用在设备中的运算量，提升运行速度。

Description

一种基于CNN模型的人脸识别方法、装置及存储介质

技术领域

本申请涉及人脸识别技术领域，具体涉及一种基于深层卷积神经网络CNN模型的人脸识别方法。

背景技术

深层卷积神经网络(convolutional neural network，CNN)是当前深度学习领域的网络模型之一，通过多个CNN模型分别提取人脸图像的不同位置的子图像块的图像特征并将提取的图像特征进行融合，是一种有效地提高人脸识别系统性能的方法，已被广泛地应用于人脸识别技术中，人脸识别系统在各领域如互联网、监控、金融、公安、学校和监所等都有着广泛的应用。

但是，目前的的人脸识别技术应用在嵌入式设备中存在运行速度慢的问题。

发明内容

本申请实施例提供一种基于深层卷积神经网络CNN模型的人脸识别方法，解决人脸识别技术应用在嵌入式设备中存在运行速度慢的问题。

为达到上述目的，本申请实施例提供如下技术方案：

本申请第一方面提供一种基于深层卷积神经网络CNN模型的人脸识别方法，可以包括：获取待识别人脸图像。将待识别人脸图像输入预训练的CNN模型，得到第一数值。若第一数值不大于预设数值，则确定识别失败。

可选地，结合上述第一方面，在第一种可能的实现方式中，还可以包括：对待识别人脸图像进行近红外线摄像。若无法获取待识别人脸图像的近红外图像，则确定识别失败。相应的，获取待识别人脸图像，可以包括：若获取到待识别人脸图像的近红外图像，则根据近红外图像获取待识别人脸图像。

可选地，结合上述第一方面第一种可能的实现方式，在第二种可能的实现方式中，在获取待识别人脸图像之后，方法还可以包括：将待识别人脸图像的尺寸设置为预设尺寸。

可选地，结合上述第一方面、第一方面任意一种可能的实现方式，在第三种可能的实现方式中，CNN模型，可以包括：卷积层，inception层，bottleneck层和全连接层。相应的，将待识别人脸图像输入预训练的CNN模型，得到第一数值可以包括：待识别人脸图像经过卷积层，inception层，bottleneck层和全连接层后得到第一数值。

可选地，结合上述第一方面第三种可能的实现方式，在第四种可能的实现方式中，inception层连接在第一目标卷积层之后，bottleneck层连接在inception层之后，全连接层连接在bottleneck层之后。

可选地，结合上述第一方面第四种可能的实现方式，在第五种可能的实现方式中，还可以包括：将第二目标卷积层和第三目标卷积层进行向量化处理后串联得到第四目标卷积层。

可选地，结合上述第一方面第四种或第一方面第五种可能的实现方式，在第六种可能的实现方式中，inception层可以包括3个inception模块，bottleneck层可以包括2个bottleneck模块。

本申请第二方面提供一种深层卷积神经网络CNN模型，可以包括：卷积层，inception层，bottleneck层和全连接层。待识别人脸图像经过卷积层，inception层，bottleneck层和全连接层后得到第一数值，若第一数值不大于预设数值，则确定识别失败。

可选地，结合上述第二方面，在第一种可能的实现方式中，可以包括：inception层连接在第一目标卷积层之后，bottleneck层连接在inception层之后，全连接层连接在bottleneck层之后。

可选地，结合上述第二方面、第二方面第一种可能的实现方式，在第二种可能的实现方式中，inception层可以包括3个inception模块，bottleneck层可以包括2个bottleneck模块。

本申请第三方面提供一种人脸识别装置，该人脸识别装置具有实现上述第一方面或第一方面任意一种可能实现方式的方法的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。

本申请第四方面提供一种人脸识别装置，该人脸识别装置可以包括：处理器和存储器，存储器中存储有程序指令,处理器用于执行存储器中存储的程序指令，执行如上述第一方面或第一方面任意一种可能实现方式的人脸识别方法。

本申请第五方面提供一种计算机可读存储介质，当指令在计算机装置上运行时，使得计算机装置执行如上述第一方面或第一方面任意一种可能实现方式的人脸识别方法。

本申请第六方面提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机可以执行上述第一方面或第一方面任意一种可能实现方式的人脸识别方法。

本申请技术方案提供的基于深层卷积神经网络CNN模型的人脸识别方法，将获取的待识别人脸图像输入预训练的CNN模型，得到第一数值。若所述第一数值不大于预设数值，则确定识别失败。通过本申请提供的CNN模型，能降低运算量，解决人脸识别技术应用在嵌入式设备中存在运行速度慢的问题。

附图说明

图1为本申请实施例中人脸识别方法的一个实施例示意图；

图2为本申请实施例提供的一个inception模块结构示意图；

图3为本申请实施例提供的一个bottleneck模块结构示意图；

图4为本申请实施例中人脸识别方法的另一个实施例示意图；

图5为本申请实施例中人脸识别装置的一个实施例示意图；

图6为本申请实施例中人脸识别装置的另一个实施例示意图；

图7为本申请实施例提供的通信装置的硬件结构的一个示意图。

具体实施方式

下面结合附图，对本申请的实施例进行描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请实施例提供一种基于深层卷积神经网络CNN模型的人脸识别方法，将获取的待识别人脸图像输入预训练的CNN模型，得到第一数值。若所述第一数值不大于预设数值，则确定识别失败。通过本申请提供的CNN模型，能降低运算量，解决人脸识别技术应用在嵌入式设备中存在运行速度慢的问题，以下分别进行详细说明。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。

图1为本申请实施例中人脸识别方法的一个实施例示意图。

如图1所示，本申请实施例提供的人脸识别方法的一个实施例，可以包括：

101、获取待识别人脸图像。

可选地102、将待识别人脸图像的尺寸设置为预设尺寸。

103、将待识别人脸图像输入预训练的CNN模型，得到第一数值。

第一数值是一个实数，数值范围为0到1之间。

该CNN模型，包括：卷积层，inception层，bottleneck层和全连接层。

可选地，在一些实施例中，inception层可以包括3个inception模块，inception模块可以多尺度融合特征图，并能降低运算量，加快运行速度。如图2所示为本申请实施例提供的一个inception模块结构示意图。如图2所示，该模块工作顺序是从下到上的，Base代表样本张量经过第一个卷积层处理，再经过批量归一化和最大池化。Filter Concat表示将从Base出发的4个分支的融合特征图串联起来，即计算方法是：

H(x)＝F1(x)+F2(x)+F3(x)+F4(x),这里，x是一个张量，H(x)是新的融合特征图，Fi(x)是第i个分支融合特征图，i取值为[1,4]。

在一些实施例中bottleneck层包括2个bottleneck模块，只采用2个bottleneck模块，提升了运行速度。如图3所示，为本申请实施例提供的一个bottleneck模块结构示意图，如图3所示，该模块工作顺序是从上到下的，Conv代表卷积层，1×1，3×3为卷积核大小，ReLU是激活函数，Add表示运算加法，该模块计算方式：H(x)＝F(x)+x，其中，x是输入张量，H(x)是该模块输出量，也是张量，F(x)是输入张量x经过1×1，3×3和1×1卷积层处理后的张量，待识别人脸图像经过上述提到的卷积层，inception层，bottleneck层和全连接层后得到第一数值。

104、若第一数值不大于预设数值，则确定识别失败。

如果第一数值大于预设数值，则判定为真脸，确定识别成功，如果第一数值不大于预设数值，则判定为假脸，确定识别失败。

本申请实施例在目标卷积层后增加inception层，可以多尺度融合特征图，并能降低运算量，加快了运行速度。同时，本申请实施例的bottleneck层可以只包括2个bottleneck模块，降低了模型参数，进一步提升了运行速度。

可选地，在一些实施例中，选取目标较深层特征和目标深层特征进行融合融合，就是张量经过向量化后，再串联成新向量，得到的新向量可以表达语义，刻画纹理，还可以描述外观形状，提升区分真假样本的准确率。

图4为本申请实施例中人脸识别方法的另一个实施例示意图。

如图4所示，本申请实施例提供的人脸识别方法的另一个实施例，可以包括：

401、对待识别人脸图像进行近红外线摄像。

402、若无法获取待识别人脸图像的近红外图像，则确定识别失败。

若待识别对象为视频中的人脸或图片上的人脸，则无法获取该待识别对象的近红外图像，即检测不到人脸，则输出错误信息，即不再对该待识别对象进行识别。

403、若获取到待识别人脸图像的近红外图像，则根据近红外图像获取待识别人脸图像。

可选地，404、将待识别人脸图像的尺寸设置为预设尺寸。

405、将待识别人脸图像输入预训练的CNN模型，得到第一数值。

406、若第一数值不大于预设数值，则确定识别失败。

本申请实施例中的步骤404至406可以参考图1对应的实施例中的步骤102至104进行理解，此处不再重复赘述。

本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对人脸识别装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

比如，以对应各个功能划分各个功能模块，图5示出了一种人脸识别装置的结构的实施例示意图。

图5为本申请实施例中人脸识别装置的一个实施例示意图，包括：

第一获取单元501，用于获取待识别人脸图像。

可选地，还可以包括设置单元502，用于将第一获取单元501获取的待识别人脸图像的尺寸设置为预设尺寸。

第一处理单元503，用于将经过设置单元502的待识别人脸图像输入预训练的CNN模型，得到第一数值。

第一确定单元504，用于若处理单元503得到的第一数值不大于预设数值，则确定识别失败。

图6为本申请实施例中人脸识别装置的另一个实施例示意图，包括：

摄像单元601，用于对待识别人脸图像进行近红外线摄像。

第二确定单元602，用于若所述摄像单元601无法获取所述待识别人脸图像的近红外图像，则确定识别失败。

第二获取单元603，用于若所述摄像单元601获取到待识别人脸图像的近红外图像，则根据近红外图像获取待识别人脸图像。

可选地，还可以包括设置单元604，用于将第二获取单元603获取的待识别人脸图像的尺寸设置为预设尺寸。

第二处理单元605，用于将经过设置单元604的待识别人脸图像输入预训练的CNN模型，得到第一数值。

第三确定单元606，用于若处理单元605得到的第一数值不大于预设数值，则确定识别失败。

图7所示为本申请实施例提供的通信装置的硬件结构一个示意图，上述人脸识别装置可以通过图7中的通信装置来实现。该通信装置包括至少一个处理器701，通信线路707，存储器703以及至少一个通信接口704。

处理器701可以是一个通用中央处理器(central processing unit，CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，服务器IC)，或一个或多个用于控制本申请方案程序执行的集成电路。

通信线路707可包括一通路，在上述组件之间传送信息。

通信接口704，使用任何收发器一类的装置，用于与其他装置或通信网络通信，如以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。

存储器703可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储装置，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储装置，存储器可以是独立存在，通过通信线路707与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器703用于存储执行本申请方案的计算机执行指令，并由处理器701来控制执行。处理器701用于执行存储器703中存储的计算机执行指令，从而实现本申请上述实施例提供的人脸识别方法。

可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

在具体实现中，作为一种实施例，通信装置可以包括多个处理器，例如图7中的处理器701和处理器702。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个装置、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在具体实现中，作为一种实施例，通信装置还可以包括输出装置705和输入装置706。输出装置705和处理器701通信，可以以多种方式来显示信息。输入装置706和处理器701通信，可以以多种方式接收用户的输入。例如，输入装置706可以是鼠标、触摸屏装置或传感装置等。

上述的通信装置可以是一个通用装置或者是一个专用装置。在具体实现中，通信装置可以是台式机、便携式电脑、网络服务器、掌上电脑(personal digital assistant，PDA)、移动手机、平板电脑、无线终端装置、嵌入式装置或有图7中类似结构的装置。本申请实施例不限定通信装置的类型。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储装置。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上对本申请实施例所提供的人脸识别的方法、人脸识别的装置以及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于深层卷积神经网络CNN模型的人脸识别方法，其特征在于，所述方法包括：

获取待识别人脸图像；

将所述待识别人脸图像输入预训练的CNN模型，得到第一数值；

若所述第一数值不大于预设数值，则确定识别失败。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述待识别人脸图像进行近红外线摄像；

若无法获取所述待识别人脸图像的近红外图像，则确定识别失败；

相应的，所述获取待识别人脸图像，包括：

若获取到所述待识别人脸图像的近红外图像，则根据所述近红外图像获取所述待识别人脸图像。

3.根据权利要求1所述的方法，其特征在于，在所述获取待识别人脸图像之后，所述方法还包括：

将所述待识别人脸图像的尺寸设置为预设尺寸。

4.根据权利要求1至3任一所述的方法，其特征在于，所述CNN模型，包括：卷积层，inception层，bottleneck层和全连接层，

相应的，将所述待识别人脸图像输入预训练的CNN模型，得到第一数值包括：

所述待识别人脸图像经过所述卷积层，inception层，bottleneck层和全连接层后得到第一数值。

5.根据权利要求4所述的方法，其特征在于，所述inception层连接在第一目标卷积层之后，所述bottleneck层连接在所述inception层之后，所述全连接层连接在所述bottleneck层之后。

6.根据权利要求5所述的方法，其特征在于，还包括：

将第二目标卷积层和第三目标卷积层进行向量化处理后串联得到第四目标卷积层。

7.根据权利要求5或6所述的方法，其特征在于，所述inception层包括3个inception模块，所述bottleneck层包括2个bottleneck模块。

8.一种人脸识别装置，其特征在于，包括：

获取单元，用于获取待识别人脸图像；

处理单元，用于将所述获取单元获取的所述待识别人脸图像输入预训练的CNN模型，得到第一数值；

确定单元，用于若所述处理单元得到的第一数值不大于预设数值，则确定识别失败。

9.一种人脸识别装置，其特征在于，所述人脸识别装置包括：处理器和存储器，所述存储器中存储有程序指令,所述处理器用于执行所述存储器中存储的程序指令，执行如权利要求1至7任一所述的方法。

10.一种计算机可读存储介质，其特征在于，当所述指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1至7任一所述的方法。