CN111178130A - 一种基于深度学习的人脸识别方法、系统和可读存储介质 - Google Patents
一种基于深度学习的人脸识别方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN111178130A CN111178130A CN201911168714.2A CN201911168714A CN111178130A CN 111178130 A CN111178130 A CN 111178130A CN 201911168714 A CN201911168714 A CN 201911168714A CN 111178130 A CN111178130 A CN 111178130A
- Authority
- CN
- China
- Prior art keywords
- face
- layer
- face image
- neural network
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 22
- 230000001815 facial effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 13
- 238000009499 grossing Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000004709 eyebrow Anatomy 0.000 description 3
- 210000001061 forehead Anatomy 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036548 skin texture Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
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
- G06V40/172—Classification, e.g. identification
-
- 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
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
本发明公开了一种基于深度学习的人脸识别方法系统和可读存储介质，方法包括以下步骤：采集人脸图像；对采集的人脸图像进行预处理，所述预处理包括：直方图均衡、平滑去噪；提取预处理后人脸图像的特征，输出统一维度的特征向量；构建神经网络识别模型，利用现有的人脸图像数据集进行训练，得到训练后的神经网络识别模型；将已提取的人脸图像特征向量输入神经网络识别模型，输出识别结果。本发明通过对采集的人脸图像进行预处理，利用LBP算子提取维数统一的纹理特征，构建神经网络识别模型并训练，将提取的特征向量输入神经网络识别模型，完成人脸识别，本发明提高了抗光照干扰能力，从而提高了人脸识别的准确率。
Description
技术领域
本发明涉及图像处理技术领域，更具体的，涉及一种基于深度学习的人脸识别方法、系统和可读存储介质。
背景技术
传统的个人身份验证手段如口令、证件、IC卡等方式，由于与身份人的可分离性，致使伪造、盗用、破译等现象时有发生，已经不能满足现代社会经济活动和社会安全防范的需要。生物特征识别包括指纹、掌纹、语音、人脸、虹膜、步态、掌静脉等。生物特征识别技术先投入广泛应用的是指纹、掌纹扫描识别技术，但是却常常因为受到皮肤纹理及干燥程度等条件制约出现误判，引发不必要的麻烦，已远远不能满足人们的需求。随着科学技术的不断发展，以及社会对于身份识别越来越高的要求，生物特征识别技术逐渐呈多样化发展，例如虹膜识别、声音识别、笔迹识别、签名识别、人脸识别等各项生物特征识别技术。
人脸识别技术是结合模式识别技术与计算机视觉技术的智能识别技术，具有广泛的应用，比如，在信息安全领域为防止身份证盗用情况，可以利用基于人脸识别的人证比对技术；在在学校、公司以及住宅小区等的安全监控，甚至考勤制度都可以通过自动的人脸识别技术来完成；在寻找遗失儿童和老人、追查逃犯等任务中也可以利用人脸识别技术来提高破案效率等。
现有的人脸识别技术在复杂环境条件下，存在识别准确准确率低的问题，因此需要开发一种基于深度学习的人脸识别方法是亟不可待的。
发明内容
为了解决上述现有技术中在复杂环境条件下，存在识别准确准确率低的缺陷，本发明提出了一种基于深度学习的人脸识别方法、系统和可读存储介质。
为了解决上述的技术问题，本发明第一方面公开了一种基于深度学习的人脸识别方法，具体包括：
采集人脸图像；
对采集的人脸图像进行预处理，所述预处理包括：直方图均衡、平滑去噪；
提取预处理后人脸图像的特征，输出统一维度的特征向量；
构建神经网络识别模型，利用现有的人脸图像数据集进行训练，得到训练后的神经网络识别模型；
将已提取的人脸图像特征向量输入神经网络识别模型，输出识别结果。
本方案中，在所述预处理之前还包括通过利用MTCNN神经网络对人脸图像进行人脸框的获取和特征点的标定。
本方案中，所述人脸框标定是从采集的人脸图像中根据预设的尺寸来获取包含人脸的区域，所述特征点包括人脸上若干可选的特征点。
本方案中，所述采集人脸图像是通过高清摄像头获取的实时视频帧或人脸图像。
本方案中，所述预处理后的人脸图像为150*150像素图像。
本方案中，所述提取预处理后人脸图像的特征是利用LBP算子提取人脸图像的纹理特征，LBP算子的表达式为：
其中，(xc,yc)代表邻居的中心像素，ic图像中心像素值，ip图像邻居范围内其他像素点的值，h(x)表示为
本方案中，构建的神经网络识别模型，包括输入层、架体循环的卷积层、池化层，三个全连接层，最后一层为softmax层，其中，卷积层的卷积核大小为3*3，步长为一个像素，填充为一个像素，其中softmax层的函数形式为：
其中，Zj表示当前神经元的输入，总的类别个数为N个，分子表示当前输入的指数，分母表示总的输入指数之和，aj的结果在0到1之间。
本方案中，利用现有的人脸图像数据集进行训练包括前向传播和反向传播，具体步骤如下：
前向传播：训练样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，结果加上一个偏置项，通过非线性函数得到的结果就是本层结点的输出，逐层运算得到输出层结果；若输出层的实际输出与期望输出不同，则转至误差反向传播；若输出层的实际输出与期望输出相同，则结束；
反向传播：期望输出与实际输出之差按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将误差信号作为修正各单元权值的根据。
本发明第二方面提供了一种基于深度学习的人脸识别系统，该系统包括：存储器、处理器，所述存储器中包括一种基于深度学习的人脸识别方法程序，所述一种基于深度学习的人脸识别方法程序被所述处理器执行时实现如下步骤：
采集人脸图像；
对采集的人脸图像进行预处理，所述预处理包括：直方图均衡、平滑去噪；
提取预处理后人脸图像的特征，输出统一维度的特征向量；
构建神经网络识别模型，利用现有的人脸图像数据集进行训练，得到训练后的神经网络识别模型；
将已提取的人脸图像特征向量输入神经网络识别模型，输出识别结果。
本方案中，在所述预处理之前还包括通过利用MTCNN神经网络对人脸图像进行人脸框的获取和特征点的标定。
本方案中，所述人脸框标定是从采集的人脸图像中根据预设的尺寸来获取包含人脸的区域，所述特征点包括人脸上若干可选的特征点。
本方案中，所述采集人脸图像是通过高清摄像头获取的实时视频帧或人脸图像。
本方案中，所述预处理后的人脸图像为150*150像素图像。
本方案中，所述提取预处理后人脸图像的特征是利用LBP算子提取人脸图像的纹理特征，LBP算子的表达式为：
其中，(xc,yc)代表邻居的中心像素，ic图像中心像素值，ip图像邻居范围内其他像素点的值，h(x)表示为
本方案中，构建的神经网络识别模型，包括输入层、架体循环的卷积层、池化层，三个全连接层，最后一层为softmax层，其中，卷积层的卷积核大小为3*3，步长为一个像素，填充为一个像素，其中softmax层的函数形式为：
其中，Zj表示当前神经元的输入，总的类别个数为N个，分子表示当前输入的指数，分母表示总的输入指数之和，aj的结果在0到1之间。
本方案中，利用现有的人脸图像数据集进行训练包括前向传播和反向传播，具体步骤如下：
前向传播：训练样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，结果加上一个偏置项，通过非线性函数得到的结果就是本层结点的输出，逐层运算得到输出层结果；若输出层的实际输出与期望输出不同，则转至误差反向传播；若输出层的实际输出与期望输出相同，则结束；
反向传播：期望输出与实际输出之差按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将误差信号作为修正各单元权值的根据。
本发明第三方面提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于深度学习的人脸识别方法程序，所述一种基于深度学习的人脸识别方法程序被处理器执行时，实现如上述任一项所述的一种基于深度学习的人脸识别方法的步骤。
本发明公开了一种基于深度学习的人脸识别方法、系统和可读存储介质，通过对采集的人脸图像进行预处理，利用LBP算子提取维数统一的纹理特征，构建神经网络识别模型并训练，将提取的特征向量输入神经网络识别模型，完成人脸识别，本发明提高了抗光照干扰能力，从而提高了人脸识别的准确率。
附图说明
图1示出了本发明一种基于深度学习的人脸识别方法流程图。
图2示出了本发明一种基于深度学习的人脸识别系统框图；
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的识别方法可适用于那些需要人脸识别设备，如考勤机，检票机、刷脸支付终端等。人脸识别，即通过采集获取人脸图像，通过特征提取，与预存的人脸图像特征匹配，即可完成识别。当然，本发明并不限制具体使用方式或设备的种类，任何采用本发明的技术方案都将落入本发明保护范围内。
图1示出了本发明一种基于深度学习的人脸识别方法流程图。
如图1所示，本发明实施例第一方面提供了一种基于深度学习的人脸识别方法，包括：
S102:采集人脸图像；
需要说明的是，在一个具体的实施例中可以通过高清摄像头获取视频帧或者人脸图像，也可以通过其他的装置采集人脸图像。
S104:对采集的人脸图像进行预处理，所述预处理包括：直方图均衡、平滑去噪；
所述直方图均衡将原始图像中比较集中的灰度区间映射到整个图像的不同灰度范围中。具体而言，直方图均衡化的实质是将图像进行非线性拉伸，重新分配图像的像素值，使在一定灰度范围内图像各个像素值的个数大体相同。处理后原先随机分布的图像直方图，会变成均匀分布的直方图样。
所述平滑去噪处理在于平滑效果越好，图像质量改善越好，且不会损坏图像的重要特征信息。
本方案中，在所述预处理之前还包括通过利用MTCNN神经网络对人脸图像进行人脸框的获取和特征点的标定。
更具体地，所述人脸框标定是从采集的人脸图像中根据预设的尺寸来获取包含人脸的区域，所述特征点包括人脸上若干可选的特征点。具体的特征点如：额头眉骨对称点各选取一个点，鼻尖选取一个点，下巴中间选取一个点。
根据本发明实施例，所述预处理后的人脸图像可以为150*150像素图像或其他预设尺寸的人脸图像。具体的图像尺寸大小由本领域技术人员根据实际需要调整和确认。
S106:提取预处理后人脸图像的特征，输出统一维度的特征向量；
本发明中通过提取纹理特征来克服光照变化的影响，本发明用过LBP算子提取特征，实现原理为，选取一块像素3×3大小的邻域，将图像中心像素的值和周围的8个像素点的值进行对比，如中心点的像素值比周围邻域像素值大，则邻域值记为1，否则记为0。
具体原理表达式如下：
其中，(xc,yc)代表邻居的中心像素，ic图像中心像素值，ip图像邻居范围内其他像素点的值，h(x)表示为
需要说明的是，提取的特征向量维数是统一，均符合后续神经网络识别模型的输入要求。
S108:构建神经网络识别模型，利用现有的人脸图像数据集进行训练，得到训练后的神经网络识别模型；
本发明中，构建的神经网络识别模型，包括输入层、架体循环的卷积层、池化层，三个全连接层，最后一层为softmax层，其中，卷积层的卷积核大小为3*3，步长为一个像素，填充为一个像素，其中softmax层的函数形式为：
其中，Zj表示当前神经元的输入，总的类别个数为N个，分子表示当前输入的指数，分母表示总的输入指数之和，aj的结果在0到1之间。
其中，可以采用的已有人脸图像数据集包括FERET人脸数据库或CMU Multi-PIE人脸数据库或YALE人脸数据库。
对已构建的神经网络识别模型进行训练，主要包括前向传播和反向传播，所述前向传播：训练样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，结果加上一个偏置项，通过非线性函数得到的结果就是本层结点的输出，逐层运算得到输出层结果；若输出层的实际输出与期望输出不同，则转至误差反向传播；若输出层的实际输出与期望输出相同，则结束；
所述反向传播：期望输出与实际输出之差按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将误差信号作为修正各单元权值的根据。
S110:将已提取的人脸图像特征向量输入神经网络识别模型，输出识别结果。
图2示出了一种基于深度学习的人脸识别系统框图。
本发明第二方面提供了一种基于深度学习的人脸识别系统，该系统包括：存储器21、处理器22，所述存储器中包括一种基于深度学习的人脸识别方法程序，所述一种基于深度学习的人脸识别方法程序被所述处理器执行时实现如下步骤：
S102:采集人脸图像；
需要说明的是，在一个具体的实施例中可以通过高清摄像头获取视频帧或者人脸图像，也可以通过其他的装置采集人脸图像。
S104:对采集的人脸图像进行预处理，所述预处理包括：直方图均衡、平滑去噪；
所述直方图均衡将原始图像中比较集中的灰度区间映射到整个图像的不同灰度范围中。具体而言，直方图均衡化的实质是将图像进行非线性拉伸，重新分配图像的像素值，使在一定灰度范围内图像各个像素值的个数大体相同。处理后原先随机分布的图像直方图，会变成均匀分布的直方图样。
所述平滑去噪处理在于平滑效果越好，图像质量改善越好，且不会损坏图像的重要特征信息。
本方案中，在所述预处理之前还包括通过利用MTCNN神经网络对人脸图像进行人脸框的获取和特征点的标定。
更具体地，所述人脸框标定是从采集的人脸图像中根据预设的尺寸来获取包含人脸的区域，所述特征点包括人脸上若干可选的特征点。具体的特征点如：额头眉骨对称点各选取一个点，鼻尖选取一个点，下巴中间选取一个点。
本方案中，所述预处理后的人脸图像可以为150*150像素图像或其他预设尺寸。具体的图像尺寸大小由本领域技术人员根据实际需要调整和确认。
S106:提取预处理后人脸图像的特征，输出统一维度的特征向量；
本发明中通过提取纹理特征来克服光照变化的影响，本发明通过LBP算子提取特征，实现原理为，选取一块像素3×3大小的邻域，将图像中心像素的值和周围的8个像素点的值进行对比，如中心点的像素值比周围邻域像素值大，则邻域值记为1，否则记为0。
具体原理表达式如下：
其中，(xc,yc)代表邻居的中心像素，ic图像中心像素值，ip图像邻居范围内其他像素点的值，h(x)表示为
需要说明的是，提取的特征向量维数是统一，均符合后续神经网络模型的输入要求。
S108:构建神经网络识别模型，利用现有的人脸图像数据集进行训练，得到训练后的神经网络识别模型；
本发明中，构建的神经网络识别模型，包括输入层、架体循环的卷积层、池化层，三个全连接层，最后一层为softmax层，其中，卷积层的卷积核大小为3*3，步长为一个像素，填充为一个像素，其中softmax层的函数形式为：
其中，Zj表示当前神经元的输入，总的类别个数为N个，分子表示当前输入的指数，分母表示总的输入指数之和，aj的结果在0到1之间。
其中，可以采用的已有人脸图像数据集包括FERET人脸数据库或CMU Multi-PIE人脸数据库或YALE人脸数据库。
对已构建的神经网络识别模型进行训练，主要包括前向传播和反向传播，所述前向传播：训练样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，结果加上一个偏置项，通过非线性函数得到的结果就是本层结点的输出，逐层运算得到输出层结果；若输出层的实际输出与期望输出不同，则转至误差反向传播；若输出层的实际输出与期望输出相同，则结束；
所述反向传播：期望输出与实际输出之差按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将误差信号作为修正各单元权值的根据。
S110:将已提取的人脸图像特征向量输入神经网络识别模型，输出识别结果。
本发明第三方面提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于深度学习的人脸识别方法程序，所述一种基于深度学习的人脸识别方法程序被处理器执行时，实现如上述任一项所述的一种基于深度学习的人脸识别方法的步骤。
其中具体包括：
S102:采集人脸图像；
需要说明的是，在一个具体的实施例中可以通过高清摄像头获取视频帧或者人脸图像，也可以通过其他的装置采集人脸图像。
在一个具体的实施例中可以通过高清摄像头获取视频帧或者人脸图像；
S104:对采集的人脸图像进行预处理，所述预处理包括：直方图均衡、平滑去噪；
所述直方图均衡将原始图像中比较集中的灰度区间映射到整个图像的不同灰度范围中。具体而言，直方图均衡化的实质是将图像进行非线性拉伸，重新分配图像的像素值，使在一定灰度范围内图像各个像素值的个数大体相同。处理后原先随机分布的图像直方图，会变成均匀分布的直方图样。
所述平滑去噪处理在于平滑效果越好，图像质量改善越好，且不会损坏图像的重要特征信息。
本方案中，在所述预处理之前还包括通过利用MTCNN神经网络对人脸图像进行人脸框的获取和特征点的标定。
更具体地，所述人脸框标定是从采集的人脸图像中根据预设的尺寸来获取包含人脸的区域，所述特征点包括人脸上若干可选的特征点。具体的特征点如：额头眉骨对称点各选取一个点，鼻尖选取一个点，下巴中间选取一个点。
本方案中，所述预处理后的人脸图像可以为150*150像素图像或其他预设尺寸。
S106:提取预处理后人脸图像的特征，输出统一维度的特征向量；
本发明中通过提取纹理特征来克服光照变化的影响，本发明通过LBP算子提取特征，实现原理为，选取一块像素3×3大小的邻域，将图像中心像素的值和周围的8个像素点的值进行对比，如中心点的像素值比周围邻域像素值大，则邻域值记为1，否则记为0。
具体原理表达式如下：
其中，(xc,yc)代表邻居的中心像素，ic图像中心像素值，ip图像邻居范围内其他像素点的值，h(x)表示为
需要说明的是，提取的特征向量维数是统一，均符合后续神经网络模型的输入要求。
S108:构建神经网络识别模型，利用现有的人脸图像数据集进行训练，得到训练后的神经网络识别模型；
本发明中，构建的神经网络识别模型，包括输入层、架体循环的卷积层、池化层，三个全连接层，最后一层为softmax层，其中，卷积层的卷积核大小为3*3，步长为一个像素，填充为一个像素，其中softmax层的函数形式为：
其中，Zj表示当前神经元的输入，总的类别个数为N个，分子表示当前输入的指数，分母表示总的输入指数之和，aj的结果在0到1之间。
其中，可以采用的已有人脸图像数据集包括FERET人脸数据库或CMU Multi-PIE人脸数据库或YALE人脸数据库。
对已构建的神经网络识别模型进行训练，主要包括前向传播和反向传播，所述前向传播：训练样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，结果加上一个偏置项，通过非线性函数得到的结果就是本层结点的输出，逐层运算得到输出层结果；若输出层的实际输出与期望输出不同，则转至误差反向传播；若输出层的实际输出与期望输出相同，则结束；
所述反向传播：期望输出与实际输出之差按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将误差信号作为修正各单元权值的根据。
S110:将已提取的人脸图像特征向量输入神经网络识别模型，输出识别结果。
本发明公开了一种基于深度学习的人脸识别方法、系统和可读存储介质，通过对采集的人脸图像进行预处理，利用LBP算子提取维数统一的纹理特征，构建神经网络识别模型并训练，将提取的特征向量输入神经网络识别模型，完成人脸识别，本发明提高了抗光照干扰能力，从而提高了人脸识别的准确率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的人脸识别方法，其特征在于，包括以下步骤：
采集人脸图像；
对采集的人脸图像进行预处理，所述预处理包括：直方图均衡、平滑去噪；
提取预处理后人脸图像的特征，输出统一维度的特征向量；
构建神经网络识别模型，利用现有的人脸图像数据集进行训练，得到训练后的神经网络识别模型；
将已提取的人脸图像特征向量输入神经网络识别模型，输出识别结果。
2.根据权利要求1所述的一种基于深度学习的人脸识别方法，其特征在于，在所述预处理之前还包括利用MTCNN神经网络对采集的人脸图像进行人脸框的获取和特征点的标定。
3.根据权利要求2所述的一种基于深度学习的人脸识别方法，其特征在于，所述人脸框标定是从采集的人脸图像中根据预设的尺寸来获取包含人脸的区域，所述特征点包括人脸上若干可选的特征点。
4.根据权利要求1所述的一种基于深度学习的人脸识别方法，其特征在于，所述采集人脸图像是通过高清摄像头获取的实时视频帧或人脸图像。
5.根据权利要求1所述的一种基于深度学习的人脸识别方法，其特征在于，所述预处理后的人脸图像为150*150像素图像。
6.根据权利要求1所述的一种基于深度学习的人脸识别方法，其特征在于，所述提取预处理后人脸图像的特征是利用LBP算子提取人脸图像的纹理特征，LBP算子的表达式为：
其中，(xc,yc)代表邻居的中心像素，ic图像中心像素值，ip图像邻居范围内其他像素点的值，h(x)表示为
7.根据权利要求1所述的一种基于深度学习的人脸识别方法，其特征在于，构建的神经网络识别模型，包括输入层、架体循环的卷积层、池化层，三个全连接层，最后一层为softmax层，其中，卷积层的卷积核大小为3*3，步长为一个像素，填充为一个像素，其中softmax层的函数形式为：
其中，Zj表示当前神经元的输入，总的类别个数为N个，分子表示当前输入的指数，分母表示总的输入指数之和，aj的结果在0到1之间。
8.根据权利要求1所述的一种基于深度学习的人脸识别方法，其特征在于，利用现有的人脸图像数据集进行训练包括前向传播和反向传播，具体步骤如下：
前向传播：训练样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，结果加上一个偏置项，通过非线性函数得到的结果就是本层结点的输出，逐层运算得到输出层结果；若输出层的实际输出与期望输出不同，则转至误差反向传播；若输出层的实际输出与期望输出相同，则结束；
反向传播：期望输出与实际输出之差按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将误差信号作为修正各单元权值的根据。
9.一种基于深度学习的人脸识别系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于深度学习的人脸识别方法程序，所述一种基于深度学习的人脸识别方法程序被所述处理器执行时实现如下步骤：
采集人脸图像；
对采集的人脸图像进行预处理，所述预处理包括：直方图均衡、平滑去噪；
提取预处理后人脸图像的特征，输出统一维度的特征向量；
构建神经网络识别模型，利用现有的人脸图像数据集进行训练，得到训练后的神经网络识别模型；
将已提取的人脸图像特征向量输入神经网络识别模型，输出识别结果。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于深度学习的人脸识别方法程序，所述一种基于深度学习的人脸识别方法程序被处理器执行时，实现如权利要求1至8中任一项所述的一种基于深度学习的人脸识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911168714.2A CN111178130A (zh) | 2019-11-25 | 2019-11-25 | 一种基于深度学习的人脸识别方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911168714.2A CN111178130A (zh) | 2019-11-25 | 2019-11-25 | 一种基于深度学习的人脸识别方法、系统和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111178130A true CN111178130A (zh) | 2020-05-19 |
Family
ID=70650100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911168714.2A Pending CN111178130A (zh) | 2019-11-25 | 2019-11-25 | 一种基于深度学习的人脸识别方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111178130A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380995A (zh) * | 2020-11-16 | 2021-02-19 | 华南理工大学 | 稀疏表示域中基于深度特征学习的人脸识别方法及系统 |
| CN113192240A (zh) * | 2021-03-12 | 2021-07-30 | 广州朗国电子科技有限公司 | 一种基于深度学习的识别模组的识别方法、设备以及介质 |
| CN113516002A (zh) * | 2021-03-05 | 2021-10-19 | 武汉特斯联智能工程有限公司 | 应用智慧社区的基于人脸识别模型的人脸识别方法及装置 |
| CN113674373A (zh) * | 2021-07-02 | 2021-11-19 | 清华大学 | 基于深度学习的真实感人脸渲染方法与装置 |
| CN117152397A (zh) * | 2023-10-26 | 2023-12-01 | 慧医谷中医药科技(天津)股份有限公司 | 一种基于热成像投影的三维人脸成像方法及系统 |
| CN113674373B (zh) * | 2021-07-02 | 2024-04-26 | 清华大学 | 基于深度学习的真实感人脸渲染方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845450A (zh) * | 2017-02-22 | 2017-06-13 | 武汉科技大学 | 基于近红外成像与深度学习的黑暗环境人脸识别方法 |
| CN109934047A (zh) * | 2017-12-15 | 2019-06-25 | 浙江舜宇智能光学技术有限公司 | 基于深度学习的人脸识别系统及其人脸识别方法 |
-
2019
- 2019-11-25 CN CN201911168714.2A patent/CN111178130A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845450A (zh) * | 2017-02-22 | 2017-06-13 | 武汉科技大学 | 基于近红外成像与深度学习的黑暗环境人脸识别方法 |
| CN109934047A (zh) * | 2017-12-15 | 2019-06-25 | 浙江舜宇智能光学技术有限公司 | 基于深度学习的人脸识别系统及其人脸识别方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380995A (zh) * | 2020-11-16 | 2021-02-19 | 华南理工大学 | 稀疏表示域中基于深度特征学习的人脸识别方法及系统 |
| CN112380995B (zh) * | 2020-11-16 | 2023-09-12 | 华南理工大学 | 稀疏表示域中基于深度特征学习的人脸识别方法及系统 |
| CN113516002A (zh) * | 2021-03-05 | 2021-10-19 | 武汉特斯联智能工程有限公司 | 应用智慧社区的基于人脸识别模型的人脸识别方法及装置 |
| CN113192240A (zh) * | 2021-03-12 | 2021-07-30 | 广州朗国电子科技有限公司 | 一种基于深度学习的识别模组的识别方法、设备以及介质 |
| CN113674373A (zh) * | 2021-07-02 | 2021-11-19 | 清华大学 | 基于深度学习的真实感人脸渲染方法与装置 |
| CN113674373B (zh) * | 2021-07-02 | 2024-04-26 | 清华大学 | 基于深度学习的真实感人脸渲染方法 |
| CN117152397A (zh) * | 2023-10-26 | 2023-12-01 | 慧医谷中医药科技(天津)股份有限公司 | 一种基于热成像投影的三维人脸成像方法及系统 |
| CN117152397B (zh) * | 2023-10-26 | 2024-01-26 | 慧医谷中医药科技(天津)股份有限公司 | 一种基于热成像投影的三维人脸成像方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
| CN108985134B (zh) | 基于双目摄像机的人脸活体检测及刷脸交易方法及系统 | |
| CN105138993B (zh) | 建立人脸识别模型的方法及装置 | |
| CN111178130A (zh) | 一种基于深度学习的人脸识别方法、系统和可读存储介质 | |
| CN106934359B (zh) | 基于高阶张量子空间学习的多视角步态识别方法及系统 | |
| CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
| CN102844766A (zh) | 基于人眼图像的多特征融合身份识别方法 | |
| CN111222380B (zh) | 一种活体检测方法、装置、及其识别模型训练方法 | |
| CN108875907A (zh) | 一种基于深度学习的指纹识别方法和装置 | |
| CN108846269A (zh) | 一种面向多种特征的身份认证方法和身份认证装置 | |
| Sabharwal et al. | Recognition of surgically altered face images: an empirical analysis on recent advances | |
| CN110599187A (zh) | 一种基于人脸识别的支付方法、装置、计算机设备和存储介质 | |
| Agarwal et al. | Presentation attack detection system for fake Iris: a review | |
| Villariña et al. | Palm vein recognition system using directional coding and back-propagation neural network | |
| KR101174103B1 (ko) | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 | |
| Albadarneh et al. | Iris recognition system for secure authentication based on texture and shape features | |
| CN116631068A (zh) | 一种基于深度学习特征融合的掌静脉活体检测方法 | |
| CN110135362A (zh) | 一种基于红外摄像头下的人脸快速识别方法 | |
| Agarwal et al. | Human identification and verification based on signature, fingerprint and iris integration | |
| El-Sayed et al. | An identification system using eye detection based on wavelets and neural networks | |
| Rao et al. | Amalgamation Biometric Deep Features in Smart City-ITS Authentication | |
| CN113657197A (zh) | 图像识别方法、图像识别模型的训练方法以及相关装置 | |
| Kolivand et al. | Improved methods for finger vein identification using composite Median-Wiener filter and hierarchical centroid features extraction | |
| Khalil et al. | Personal identification with iris patterns | |
| SulaimanAlshebli et al. | The Cyber Security Biometric Authentication based on Liveness Face-Iris Images and Deep Learning Classifier |
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 |
Application publication date: 20200519 |
|
| RJ01 | Rejection of invention patent application after publication |