CN111178187A - 一种基于卷积神经网络的人脸识别方法及装置 - Google Patents
一种基于卷积神经网络的人脸识别方法及装置 Download PDFInfo
- Publication number
- CN111178187A CN111178187A CN201911300731.7A CN201911300731A CN111178187A CN 111178187 A CN111178187 A CN 111178187A CN 201911300731 A CN201911300731 A CN 201911300731A CN 111178187 A CN111178187 A CN 111178187A
- Authority
- CN
- China
- Prior art keywords
- recognized
- neural network
- image
- convolutional neural
- data
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 206010014970 Ephelides Diseases 0.000 description 1
- 208000003351 Melanosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于卷积神经网络的人脸识别方法及装置。包括:从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据;构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值;获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。本发明通过提取对待识别图像进行预处理,然后通过卷积神经网络以及余弦相似度对待训练数据进行计算,并对待识别图像进行识别,通过这种方式,可以降低后期运算的数据量,同时提高了识别精度,提高了识别效率。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种基于卷积神经网络的人脸识别方法及装置。
背景技术
现代社会中,个人身份验证显得尤为重要,越来越多的领域使用到了个人身份验证,比较常见的个人身份验证技术比如:指纹、虹膜以及人脸等生物特征的识别技术。
现有的人脸识别方法主要是基于几何特征的方法、基于模型的方法、基于统计的方法以及基于卷积神经网络的方法,由于卷积神经网络的特性,现在大多数人脸识别方法都是利用卷积神经网络进行识别,这样可以提高人脸识别的精确度,但是由于现在的数据量过多,很容易造成干扰,同时大量的数据运算也要占用很多资源,所以,亟需一种精度高且运算量小的人脸识别方法。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
有鉴于此,本发明提出了一种基于卷积神经网络的人脸识别方法及装置,旨在解决现有技术无法提供一种精度高且运算量小的人脸识别方法的技术问题。
本发明的技术方案是这样实现的:
一方面,本发明提供了一种基于卷积神经网络的人脸识别方法,所述基于卷积神经网络的人脸识别方法包括以下步骤:
S1,从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据;
S2,构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值;
S3,获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。
在以上技术方案的基础上,优选的,步骤S1中,对待识别图像进行预处理,获取待训练数据,还包括以下步骤,所述预处理包括缩放待识别图像、截取人脸图像、将待识别图像转化为数据中的一种或者几种组合,将待识别图像数据作为待训练数据。
在以上技术方案的基础上,优选的,步骤S2中,构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值,还包括以下步骤,构建卷积神经网络的网络结构,所述网络结构包括:卷积层、池化层以及全连接层,选取Relu函数作为神经网络的激活函数,池化层使用最大池化方法,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值。
在以上技术方案的基础上,优选的,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值,还包括以下步骤,通过卷积层的特征图大小计算公式对待训练数据进行计算,获取待训练数据的特征图,利用最大池化方法获取最大特征图,根据Relu函数对最大特征图进行激活,通过全连接层对激活的最大特征图进行连接,获取待训练数据的特征值。
在以上技术方案的基础上,优选的,所述特征图大小计算公式为:
其中,w'代表特征图,w代表待训练数据形成的矩阵,p代表补零层数,s代表步幅,k代表卷积核大小,n代表修正系数。
在以上技术方案的基础上,优选的,步骤S3中,获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别,还包括以下步骤,设定相似度阈值,将特征值以及本地人脸信息库中每一张图像特征值转化成向量形式,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,将待识别相似度与相似度阈值进行比较,当待识别相似度大于相似度阈值时,判断待识别图像与本地人脸信息库中的这张图像相似;当待识别相似度小于相似度阈值时,判断待识别图像与本地人脸信息库中的这张图像不相似。
在以上技术方案的基础上,优选的,所述余弦相似度算法为:
其中,sim(X,Y)代表待识别相似度,x代表待识别图像特征值,y代表本地人脸信息库中每一张图像特征值。
更进一步优选的,所述基于卷积神经网络的人脸识别装置包括:
获取模块,用于从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据;
特征值训练模块,用于构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值;
识别模块,用于获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。
第二方面,所述基于卷积神经网络的人脸识别方法还包括一种设备,所述设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于卷积神经网络的人脸识别方法程序,所述基于卷积神经网络的人脸识别方法程序配置为实现如上文所述的基于卷积神经网络的人脸识别方法的步骤。
第三方面,所述基于卷积神经网络的人脸识别方法还包括一种介质,所述介质为计算机介质,所述计算机介质上存储有基于卷积神经网络的人脸识别方法程序,所述基于卷积神经网络的人脸识别方法程序被处理器执行时实现如上文所述的基于卷积神经网络的人脸识别方法的步骤。
本发明的一种基于卷积神经网络的人脸识别方法相对于现有技术具有以下有益效果:
(1)通过缩放待识别图像、截取人脸图像、将待识别图像转化为数据这些预处理操作对待识别图像进行预处理,通过这种方式可以先对要识别的图像进行筛选,减小后期神经网络训练的数据量,提高了识别效率;
(2)通过建立卷积神经网络以及余弦相似度来对待识别图像进行识别,通过这样的方式可以精确对待识别图像进行识别,提高整个人脸识别过程的准确性,提高用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例方案涉及的硬件运行环境的设备的结构示意图;
图2为本发明基于卷积神经网络的人脸识别方法第一实施例的流程示意图;
图3为本发明基于卷积神经网络的人脸识别方法第一实施例的功能模块示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,该设备可以包括:处理器1001,例如中央处理器(Central ProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对设备的限定,在实际应用中设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于卷积神经网络的人脸识别方法程序。
在图1所示的设备中,网络接口1004主要用于建立设备与存储基于卷积神经网络的人脸识别方法系统中所需的所有数据的服务器的通信连接;用户接口1003主要用于与用户进行数据交互;本发明基于卷积神经网络的人脸识别方法设备中的处理器1001、存储器1005可以设置在基于卷积神经网络的人脸识别方法设备中,所述基于卷积神经网络的人脸识别方法设备通过处理器1001调用存储器1005中存储的基于卷积神经网络的人脸识别方法程序,并执行本发明实施提供的基于卷积神经网络的人脸识别方法。
结合图2,图2为本发明基于卷积神经网络的人脸识别方法第一实施例的流程示意图。
本实施例中,所述基于卷积神经网络的人脸识别方法包括以下步骤:
S10:从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据。
应当理解的是,遇到需要识别的对象时,系统会从视频中提取一帧一帧的图像帧,然后通过缩放待识别图像、截取人脸图像、将待识别图像转化为数据这些操作,对一帧一帧的图像帧进行预处理,预处理的目的是为了更加精准的筛选出待识别的人脸,减少图像帧中不需要进行识别的元素,然后会将需要进行识别的人脸图像转化为数据的形式,作为待训练数据方便卷积神经网络进行训练。
S20:构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值。
应当理解的是,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。
应当理解的是,卷积神经网络包含了一个由卷积层和子采样层(池化层)构成的特征抽取器。在卷积神经网络的卷积层中,一个神经元只与部分邻层神经元连接。在卷积神经网络的一个卷积层中,通常包含若干个特征图(featureMap),每个特征图由一些矩形排列的神经元组成,同一特征图的神经元共享权值,这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化,在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接,同时又降低了过拟合的风险。子采样也叫做池化(pooling),通常有均值子采样(mean pooling)和最大值子采样(maxpooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度,减少了模型的参数。
应当理解的是,在进行训练之前,系统会构建卷积神经网络的网络结构,网络结构由卷积层-池化层-全连接层依次连接而成,然后会选取Relu函数作为神经网络的激活函数,池化层使用最大池化方法,通过卷积层的特征图大小计算公式对待训练数据进行计算,获取待训练数据的特征图,利用最大池化方法获取最大特征图,根据Relu函数(线性整流函数)对最大特征图进行激活,通过全连接层对激活的最大特征图进行连接,获取待训练数据的特征值。
应当理解的是,本实施例通过使用特征图大小计算公式对人脸进行特征提取,提取的特征比如脸型、嘴型以及脸上的雀斑等具有标志性的事物,通过设定修正系数n,来对人物的脸型进行修正,其中修正系数n是系统根据同一张人脸不同情况的数据设定的对人脸修正范围,此处人脸的不同情况包括:长胖、变肉、脸被遮挡以及脸上长痘等,通过修正系数可以对人脸进行修正,有利于系统提取人脸识别的特征,能够加强系统对人脸的识别度,提高整个系统的识别效率。
应当理解的是,所述特征图大小计算公式为:
其中,w'代表特征图,w代表待训练数据形成的矩阵,p代表补零层数,s代表步幅,k代表卷积核大小,n代表修正系数。
S30:获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。
应当理解的是,系统会设定相似度阈值,将特征值以及本地人脸信息库中每一张图像特征值转化成向量形式,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,将待识别相似度与相似度阈值进行比较,当待识别相似度大于相似度阈值时,判断待识别图像与本地人脸信息库中的这张图像相似;当待识别相似度小于相似度阈值时,判断待识别图像与本地人脸信息库中的这张图像不相似,通过余弦相似度能够增加两张图像之间的相似度。将数据转化为向量形式,可以提高人脸识别的精确度,利用余弦相似度对人的脸型进行识别,避免了有人在遮挡住脸部时,系统无法识别的情况,提高系统对于人脸的识别度。
应当理解的是,余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量,余弦相似度更加注重两个向量在方向上的差异,而非距离或长度上,所述余弦相似度算法为:
其中,sim(X,Y)代表待识别相似度,x代表待识别图像特征值,y代表本地人脸信息库中每一张图像特征值。
需要说明的是,以上仅为举例说明,并不对本申请的技术方案构成任何限定。
通过上述描述不难发现,本实施例通过从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据;构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值;获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。本实施例通过提取对待识别图像进行预处理,然后通过卷积神经网络以及余弦相似度对待训练数据进行计算,并对待识别图像进行识别,通过这种方式,可以降低后期运算的数据量,同时提高了识别精度,提高了识别效率。
此外,本发明实施例还提出一种基于卷积神经网络的人脸识别装置。如图3所示,该基于卷积神经网络的人脸识别装置包括:获取模块10、特征值训练模块20、识别模块30。
获取模块10,用于从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据;
特征值训练模块20,用于构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值;
识别模块30,用于获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于卷积神经网络的人脸识别方法,此处不再赘述。
此外,本发明实施例还提出一种介质,所述介质为计算机介质,所述计算机介质上存储有基于卷积神经网络的人脸识别方法程序,所述基于卷积神经网络的人脸识别方法程序被处理器执行时实现如下操作:
S1,从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据;
S2,构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值;
S3,获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。
进一步地,所述基于卷积神经网络的人脸识别方法程序被处理器执行时还实现如下操作:
所述预处理包括缩放待识别图像、截取人脸图像、将待识别图像转化为数据中的一种或者几种组合,将待识别图像数据作为待训练数据。
进一步地,所述基于卷积神经网络的人脸识别方法程序被处理器执行时还实现如下操作:
构建卷积神经网络的网络结构,所述网络结构包括:卷积层、池化层以及全连接层,选取Relu函数作为神经网络的激活函数,池化层使用最大池化方法,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值。
进一步地,所述基于卷积神经网络的人脸识别方法程序被处理器执行时还实现如下操作:
通过卷积层的特征图大小计算公式对待训练数据进行计算,获取待训练数据的特征图,利用最大池化方法获取最大特征图,根据Relu函数对最大特征图进行激活,通过全连接层对激活的最大特征图进行连接,获取待训练数据的特征值。
进一步地,所述基于卷积神经网络的人脸识别方法程序被处理器执行时还实现如下操作:
所述特征图大小计算公式为:
其中,w'代表特征图,w代表待训练数据形成的矩阵,p代表补零层数,s代表步幅,k代表卷积核大小,n代表修正系数。
进一步地,所述基于卷积神经网络的人脸识别方法程序被处理器执行时还实现如下操作:
设定相似度阈值,将特征值以及本地人脸信息库中每一张图像特征值转化成向量形式,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,将待识别相似度与相似度阈值进行比较,当待识别相似度大于相似度阈值时,判断待识别图像与本地人脸信息库中的这张图像相似;当待识别相似度小于相似度阈值时,判断待识别图像与本地人脸信息库中的这张图像不相似。
进一步地,所述基于卷积神经网络的人脸识别方法程序被处理器执行时还实现如下操作:
所述余弦相似度算法为:
其中,sim(X,Y)代表待识别相似度,x代表待识别图像特征值,y代表本地人脸信息库中每一张图像特征值。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的人脸识别方法,其特征在于:包括以下步骤;
S1,从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据;
S2,构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值;
S3,获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。
2.如权利要求1所述的基于卷积神经网络的人脸识别方法,其特征在于:步骤S1中,对待识别图像进行预处理,获取待训练数据,还包括以下步骤,所述预处理包括缩放待识别图像、截取人脸图像、将待识别图像转化为数据中的一种或者几种组合,将待识别图像数据作为待训练数据。
3.如权利要求2所述的基于卷积神经网络的人脸识别方法,其特征在于:步骤S2中,构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值,还包括以下步骤,构建卷积神经网络的网络结构,所述网络结构包括:卷积层、池化层以及全连接层,选取Relu函数作为神经网络的激活函数,池化层使用最大池化方法,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值。
4.如权利要求3所述的基于卷积神经网络的人脸识别方法,其特征在于:将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值,还包括以下步骤,通过卷积层的特征图大小计算公式对待训练数据进行计算,获取待训练数据的特征图,利用最大池化方法获取最大特征图,根据Relu函数对最大特征图进行激活,通过全连接层对激活的最大特征图进行连接,获取待训练数据的特征值。
6.如权利要求5所述的基于卷积神经网络的人脸识别方法,其特征在于:步骤S3中,获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别,还包括以下步骤,设定相似度阈值,将特征值以及本地人脸信息库中每一张图像特征值转化成向量形式,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,将待识别相似度与相似度阈值进行比较,当待识别相似度大于相似度阈值时,判断待识别图像与本地人脸信息库中的这张图像相似;当待识别相似度小于相似度阈值时,判断待识别图像与本地人脸信息库中的这张图像不相似。
8.一种基于卷积神经网络的人脸识别装置,其特征在于,所述基于卷积神经网络的人脸识别装置包括:
获取模块,用于从视频中提取图像帧,根据图像帧获取待识别图像,对待识别图像进行预处理,获取待训练数据;
特征值训练模块,用于构建卷积神经网络,将待训练数据放入卷积神经网络进行训练,获取待训练数据的特征值;
识别模块,用于获取本地人脸信息库,通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度,根据待识别相似度,对特征值对应的待识别图像进行识别。
9.一种设备,其特征在于,所述设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于卷积神经网络的人脸识别方法程序,所述基于卷积神经网络的人脸识别方法程序配置为实现如权利要求1至7任一项所述的基于卷积神经网络的人脸识别方法的步骤。
10.一种介质,其特征在于,所述介质为计算机介质,所述计算机介质上存储有基于卷积神经网络的人脸识别方法程序,所述基于卷积神经网络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7任一项所述的基于卷积神经网络的人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300731.7A CN111178187A (zh) | 2019-12-17 | 2019-12-17 | 一种基于卷积神经网络的人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300731.7A CN111178187A (zh) | 2019-12-17 | 2019-12-17 | 一种基于卷积神经网络的人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178187A true CN111178187A (zh) | 2020-05-19 |
Family
ID=70652043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911300731.7A Pending CN111178187A (zh) | 2019-12-17 | 2019-12-17 | 一种基于卷积神经网络的人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178187A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680595A (zh) * | 2020-05-29 | 2020-09-18 | 新疆爱华盈通信息技术有限公司 | 一种人脸识别方法、装置及电子设备 |
CN112434185A (zh) * | 2020-10-26 | 2021-03-02 | 国家广播电视总局广播电视规划院 | 一种查找相似视频片段的方法、系统、服务器及存储介质 |
CN113111208A (zh) * | 2021-05-11 | 2021-07-13 | 青岛以萨数据技术有限公司 | 一种以图搜图的方法、系统、设备及存储介质 |
CN117765480A (zh) * | 2024-02-20 | 2024-03-26 | 天科院环境科技发展(天津)有限公司 | 一种道路沿线野生动物迁徙预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194341A (zh) * | 2017-05-16 | 2017-09-22 | 西安电子科技大学 | Maxout多卷积神经网络融合人脸识别方法和系统 |
CN107315995A (zh) * | 2017-05-18 | 2017-11-03 | 中国科学院上海微系统与信息技术研究所 | 一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法 |
CN110197102A (zh) * | 2018-02-27 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 人脸识别方法及装置 |
CN110263956A (zh) * | 2019-05-20 | 2019-09-20 | 平安科技(深圳)有限公司 | 基于人脸识别的用餐方法、装置及计算机可读存储介质 |
-
2019
- 2019-12-17 CN CN201911300731.7A patent/CN111178187A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194341A (zh) * | 2017-05-16 | 2017-09-22 | 西安电子科技大学 | Maxout多卷积神经网络融合人脸识别方法和系统 |
CN107315995A (zh) * | 2017-05-18 | 2017-11-03 | 中国科学院上海微系统与信息技术研究所 | 一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法 |
CN110197102A (zh) * | 2018-02-27 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 人脸识别方法及装置 |
CN110263956A (zh) * | 2019-05-20 | 2019-09-20 | 平安科技(深圳)有限公司 | 基于人脸识别的用餐方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
崔书华等: "《光学跟踪测量数据处理》", 国防工业出版社, pages: 127 - 45 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680595A (zh) * | 2020-05-29 | 2020-09-18 | 新疆爱华盈通信息技术有限公司 | 一种人脸识别方法、装置及电子设备 |
CN112434185A (zh) * | 2020-10-26 | 2021-03-02 | 国家广播电视总局广播电视规划院 | 一种查找相似视频片段的方法、系统、服务器及存储介质 |
CN112434185B (zh) * | 2020-10-26 | 2023-07-14 | 国家广播电视总局广播电视规划院 | 一种查找相似视频片段的方法、系统、服务器及存储介质 |
CN113111208A (zh) * | 2021-05-11 | 2021-07-13 | 青岛以萨数据技术有限公司 | 一种以图搜图的方法、系统、设备及存储介质 |
CN117765480A (zh) * | 2024-02-20 | 2024-03-26 | 天科院环境科技发展(天津)有限公司 | 一种道路沿线野生动物迁徙预警方法及系统 |
CN117765480B (zh) * | 2024-02-20 | 2024-05-10 | 天科院环境科技发展(天津)有限公司 | 一种道路沿线野生动物迁徙预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537152B (zh) | 用于检测活体的方法和装置 | |
CN111178187A (zh) | 一种基于卷积神经网络的人脸识别方法及装置 | |
CN110348330B (zh) | 基于vae-acgan的人脸姿态虚拟视图生成方法 | |
EP4075324A1 (en) | Face recognition method and face recognition device | |
WO2020103417A1 (zh) | 一种bmi评测方法、装置及计算机可读存储介质 | |
Faraji et al. | Face recognition under varying illuminations using logarithmic fractal dimension-based complete eight local directional patterns | |
CN109684969B (zh) | 凝视位置估计方法、计算机设备及存储介质 | |
WO2015090126A1 (zh) | 人脸特征的提取、认证方法及装置 | |
CN103295022B (zh) | 图像相似度计算系统及方法 | |
KR20130048076A (ko) | 얼굴 인식 장치 및 그 제어방법 | |
CN109271930B (zh) | 微表情识别方法、装置与存储介质 | |
CN111368672A (zh) | 一种用于遗传病面部识别模型的构建方法及装置 | |
CN110838125A (zh) | 医学图像的目标检测方法、装置、设备、存储介质 | |
CN111783748A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
WO2021114623A1 (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
CN110222718A (zh) | 图像处理的方法及装置 | |
WO2022166604A1 (zh) | 图像处理方法、装置、计算机设备、存储介质和程序产品 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN113298158A (zh) | 数据检测方法、装置、设备及存储介质 | |
CN109087240B (zh) | 图像处理方法、图像处理装置及存储介质 | |
CN116310462B (zh) | 一种基于秩约束自表示的图像聚类方法及装置 | |
CN108108663A (zh) | 一种视频人脸识别系统与方法 | |
CN112801908B (zh) | 图像去噪方法、装置、计算机设备和存储介质 | |
CN115588220A (zh) | 两阶段多尺度自适应的低分辨率人脸识别方法及应用 | |
WO2015061972A1 (en) | High-dimensional feature extraction and mapping |
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 |