CN111400535A - 轻量级人脸识别方法、系统、计算机设备及存储介质 - Google Patents

轻量级人脸识别方法、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN111400535A
CN111400535A CN202010164943.3A CN202010164943A CN111400535A CN 111400535 A CN111400535 A CN 111400535A CN 202010164943 A CN202010164943 A CN 202010164943A CN 111400535 A CN111400535 A CN 111400535A
Authority
CN
China
Prior art keywords
layer
face
scaling
depth
zooming
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
CN202010164943.3A
Other languages
English (en)
Inventor
龚汝洪
杜振锋
周晓清
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.)
Guangdong Etonedu Co ltd
Original Assignee
Guangdong Etonedu 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 Guangdong Etonedu Co ltd filed Critical Guangdong Etonedu Co ltd
Priority to CN202010164943.3A priority Critical patent/CN111400535A/zh
Publication of CN111400535A publication Critical patent/CN111400535A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Library & Information Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种轻量级人脸识别方法、系统、计算机设备及存储介质，所述方法包括：利用人脸检测网络对人脸进行检测，得到人脸图像特征，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征，所述特征提取网络包括十二个堆叠层；将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。本发明在保持较高的识别速度的同时能够兼顾较好的特征提取。

Description

轻量级人脸识别方法、系统、计算机设备及存储介质
技术领域
本发明涉及一种轻量级人脸识别方法、系统、计算机设备及存储介质，属于深度学习和图像处理领域。
背景技术
人脸识别，是基于人的特征信息进行身份识别的一种生物识别技术，用摄像机或摄像头采集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。
人脸识别的流程主要分为三部分：人脸检测、人脸特征提取和人脸特征比对。其中人脸检测用于获取图像中的人脸位置信息，从而对人脸进行截取，目前主流的方法有CascadeCNN通过级联架构来训练一个具有高精度区分能力的卷积神经网络；UnitBox引入一种新的交并比损失函数，实现了高效率的人脸检测效果；CMS-RCNN将Faster RCNN构架运用到人脸检测中，实现对图像上下文信息的分析。人脸特征提取是人脸识别技术中最为重要的一步，直接关系到最后的识别效果，目前主流的人脸特征提取向量维数有128维和512维，提取方法有ArcFace利用新的损失函数，直接在角度空间(angular space)中最大化分类界限，CosineFace利用修改Softmax后的损失函数在余弦空间中最大化分类界限，SphereFace移除倒数第二层(一般为全连接层)的激活函数，使模型学习到的特征分布不被限制在第一象限，学习到的特征分布更加合理，其中运用的主构架网络包括VGG16、ResNet和DenseNet等。人脸特征比对是将上一步提取的特征与数据库特征进行比对，最后得到对比结果，目前运用在人脸识别中最广泛的方法有欧几里得距离对比法和特征向量余弦距离对比法。
近年来，由于深度学习技术的不断进步，产生了众多高效的人脸识别算法，使得人脸识别的准确率相比过去有了极大的提高，促使人脸识别技术在教育、安防和零售等领域得到普及。
发明内容
有鉴于此，本发明提供了一种轻量级人脸识别方法、系统、计算机设备及存储介质，其在保持较高的识别速度的同时能够兼顾较好的特征提取。
本发明的第一个目的在于提供一种轻量级人脸识别方法。
本发明的第二个目的在于提供一种轻量级人脸识别系统。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种轻量级人脸识别方法，所述方法包括：
利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；
利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；
将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。
进一步的，所述五个深度可分离卷积层分别为第一深度可分离卷积层、第二深度可分离卷积层、第三深度可分离卷积层、第四深度可分离卷积层和第五深度可分离卷积层，所述三个Inception块分别为第一Inception块、第二Inception块和第三Inception块；
所述第一深度可分离卷积层、第二深度可分离卷积层、第一Inception块、第二Inception块、第三Inception块、第三深度可分离卷积层、第四深度可分离卷积层和第五深度可分离卷积层依次连接。
进一步的，每个深度可分离卷积层包括深度卷积层和逐点卷积层，其中深度卷积层对每个输入通道应用单通道的轻量级滤波器，逐点卷积层负责计算输入通道的线性组合，构建新的特征。
进一步的，每个Inception块包括三个分支，第一个分支为第一卷积层，第二个分支为依次连接的池化层和第二卷积层，第三个分支为依次连接的第三卷积层、第六深度可分离卷积层和第七深度可分离卷积层。
进一步的，所述十二个堆叠层包括两个卷积层、九个缩放层和一个全连接层，所述两个卷积层分别为第四卷积层和第五卷积层，所述九个缩放层分别为第一缩放层、第二缩放层、第三缩放层、第四缩放层、第五缩放层、第六缩放层、第七缩放层、第八缩放层和第九缩放层；
所述第四卷积层、第一缩放层、第二缩放层、第三缩放层、第四缩放层、第五缩放层、第六缩放层、第七缩放层、第八缩放层、第九缩放层、第五卷积层和全连接层依次连接，所述第一缩放层与第四缩放层之间通过残差网络进行跳跃连接，所述第二缩放层与第七缩放层之间通过残差网络进行跳跃连接，所述第五缩放层与第八缩放层之间通过残差网络进行跳跃连接，所述第八缩放层与第五卷积层之间通过残差网络进行跳跃连接。
进一步的，每个缩放层包括相连接的压缩层和扩张层，所述压缩层用于对上层的输出通道进行压缩，所述扩张层用于通过不同卷积核对应不同感受野进行从局部到全局的特征提取；
每个缩放层的压缩层采用Swish函数作为激活函数，所述第三缩放层之后进行最大池化下采样，所述第八缩放层之后进行最大池化下采样。
进一步的，所述将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果，具体包括：
使用欧几里得距离对待识别人脸特征与数据库人脸特征进行相似度计算，选取欧几里得距离最小值；
若欧几里得距离最小值小于预设阈值，则输出欧几里得距离最小值对应的数据库人脸特征，并输出比对成功的人脸识别结果；
若欧几里得距离最小值大于或等于预设阈值，则输出比对失败的人脸识别结果。
本发明的第二个目的可以通过采取如下技术方案达到：
一种轻量级人脸识别系统，所述系统包括：
人脸检测模块，用于利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；
人脸特征提取模块，用于利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；
人脸特征比对模块，用于将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的轻量级人脸识别方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的轻量级人脸识别方法。
本发明相对于现有技术具有如下的有益效果：
本发明设计的人脸识别算法具有计算量小、参数量少、运行速度快、准确率高等优势，在人脸检测部分，通过深度可分离卷积和Inception块混用的方式，既减少了计算量又保证了特征提取不受影响；在人脸特征提取部分，通过使用压缩卷积层，不但可以使参数量成为一般卷积层参数量的1/9，还可以通过对上层输出通道进行压缩的方式减少本层输入通道数，进而减少本层的计算量；同时，本发明的扩张层通过在本层采用多种卷积核采样的方式，增强了网络提取特征的能力；最后通过缩放层的堆叠，输出最具图像特点的128维特征向量；由于本发明计算量比较少，可以在一定程度上减少人脸识别算法运用在一些实时场景中造成严重延时问题的发生，并且本发明的模型较小，还可以植入到移动设备或者内存较小设备上运行，具有广泛的实用价值。
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示出的结构获得其他的附图。
图1为本发明实施例1的轻量级人脸识别方法的流程图。
图2为本发明实施例1的人脸检测网络的架构图。
图3为本发明实施例1的每个Inception块的结构图。
图4为本发明实施例1的特征提取网络的总构架图。
图5为本发明实施例1的特征提取网络中缩放层的结构图。
图6为本发明实施例1的人脸特征比对的流程图。
图7为本发明实施例2的轻量级人脸识别系统的结构框图。
图8为本发明实施例2的人脸特征比对模块的结构框图。
图9为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
人脸识别算法主要分为两类：重量级和轻量级。重量级网络的优势是识别的准确率高，能够应对复杂的环境(如光照剧烈变化等)，具有更强的鲁棒性，但是运用在一些实时场景(如火车站安检，公司考勤等)中，易严重延时，并且大构架的人脸识别网络，在分布式训练的过程中，与服务器通信需求更大，占用资源更多，训练所产生的模型体积更大，不容易部署在一些移动设备或者是内存较小的设备中。轻量级网络占用服务器资源更少，实际运行时，速度更快，模型体积更小，但是轻量级网络特征抽取能力有限，导致鲁棒性更差，其识别率容易受表情变化和光照变化等影响。
如图1所示，本实施例提供了一种轻量级人脸识别方法，该方法包括以下步骤：
S101、利用人脸检测网络对人脸进行检测，得到人脸图像特征。
大部分的人脸检测方法都被大量计算所造成的时间开销过高问题所限制，尤其是在众多的CPU设备上，本实施例使用低参数量、高性能的深度可分离卷积代替传统的标准卷积进行特征提取，同时为保证提取效果不受影响，本实施例在人脸检测网络中加入GoogleNet的Inception块，增加人脸检测网络的宽度，使得人脸检测网络可以在更加广阔的空间进行特征提取。
人脸检测网络的架构如图2所示，其包括八块神经网络模块，八块神经网络模块包括五个深度可分离卷积层和三个Inception块，为实现网络高效又低参数量的目标，本实施例并没有采取一般人脸检测算法过多加深网络的策略，不仅可以实现高效的人脸检测，而且还可以防止在网络训练中出现梯度消失问题的发生。
进一步地，五个深度可分离卷积层分别为第一深度可分离卷积层(深度可分离卷积层_1)、第二深度可分离卷积层(深度可分离卷积层_2)、第三深度可分离卷积层(深度可分离卷积层_6)、第四深度可分离卷积层(深度可分离卷积层_7)和第五深度可分离卷积层(深度可分离卷积层_8)，三个Inception块分别为第一Inception块(Inception_3)、第二Inception块(Inception_4)和第三Inception块(Inception_5)；第一深度可分离卷积层、第二深度可分离卷积层、第一Inception块、第二Inception块、第三Inception块、第三深度可分离卷积层、第四深度可分离卷积层和第五深度可分离卷积层依次连接。
1)深度可分离卷积层：将标准卷积拆分成两个分卷积，第一层为深度卷积层，对每个输入通道应用单通道的轻量级滤波器；第二层为逐点卷积策划，即1x1卷积，负责计算输入通道的线性组合，构建新的特征。
标准卷积的输入张量Li为hi*wi*di，标准卷积核k∈Rk*k*di*dj产生输出张量Lj为hi*wi*dj，其中h、w、di、dj、k分别为特征图的长、宽、输入通道数、输出通道数以及卷积核边长。
标准卷积的计算消耗为：hi*wi*di*dj*k*k；
深度可分离卷积消耗为：hi*wi*di*(k2+dj)；
Figure BDA0002407106160000061
本实施例所使用的卷积核大小k＝3，dj最小取64，与标准卷积相比计算量减少了8-9倍。
2)Inception块：利用了多种类型的卷积对同一张特征图进行特征提取的模块，可以最大化地抽取图像的特征，并且计算量也相对较少，具体结构如图3所示，其包括三个分支，第一个分支为第一卷积层(1x1卷积)，第二个分支为依次连接的池化层和第二卷积层(1x1卷积)，第三个分支为依次连接的第三卷积层(1x1卷积)、第六深度可分离卷积层和第七深度可分离卷积层，可见为进一步简化计算量，去除了原Inception块中传统的标准卷积，加入深度可分离卷积进行特征抽取，进一步降低了计算量，同时又保持了较高的较好的特征抽取效果。
S102、利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征。
本实施例的特征提取网络是轻量级的人脸特征提取网络，其总构架如图4所示，包括十二个堆叠层，十二个堆叠层包括两个卷积层、九个缩放层和一个全连接层，两个卷积层分别为第四卷积层(卷积层_1)和第五卷积层(卷积层_11)，九个缩放层分别为第一缩放层(缩放层_2)、第二缩放层(缩放层_3)、第三缩放层(缩放层_4)、第四缩放层(缩放层_5)、第五缩放层(缩放层_6)、第六缩放层(缩放层_7)、第七缩放层(缩放层_8)、第八缩放层(缩放层_9)和第九缩放层(缩放层_10)，其中特征提取网络的次底层(卷积层_11)和顶层(卷积层_1)均是标准的神经网络卷积层，卷积核大小为7x7，中间层(缩放层_2至缩放层_10)是本实施例设计的轻量级卷积层，同时为使特征提取网络训练时更好地进行梯度传播和防止梯度消失现象的产生。
进一步地，第四卷积层、第一缩放层、第二缩放层、第三缩放层、第四缩放层、第五缩放层、第六缩放层、第七缩放层、第八缩放层、第九缩放层、第五卷积层和全连接层依次连接，所述第一缩放层与第四缩放层之间通过残差网络(Resnet)进行跳跃连接(1x1卷积_1)，所述第二缩放层与第七缩放层之间通过残差网络(Resnet)进行跳跃连接(1x1卷积_2)，所述第五缩放层与第八缩放层之间通过残差网络(Resnet)进行跳跃连接(1x1卷积_3)，所述第八缩放层与第五卷积层之间通过残差网络(Resnet)进行跳跃连接(1x1卷积_4)，通过额外加了残差网络(Resnet)的跳跃连接(1x1卷积_1至1x1卷积_4)，最后通过一个全连接层对次底层的输出特征向量进行压缩，产生128维特征向量。
1)每个缩放层的结构如图5所示，其包括相连接的压缩层和扩张层，压缩层中1x1卷积数量为s1，图5中的s1＝4；扩张层中1x1卷积数量为e1，3x3卷积数量为e2，5x5卷积数量为e3，图5中的e1＝2，e2＝2，e3＝1。
2)压缩层：在压缩层使用1x1卷积进行计算，相比传统的网络只是用3x3卷积进行操作，在计算量不变的情况下，参数量前者是后者的1/9，同时通过压缩层对上层的输出通道进行压缩，减小本层的输入通道数，可以在很大程度上降低计算量。
3)扩张层：结合GoogleNet增加网络宽度进行特征提取的思想，本发明依据该思想对本发明的扩张层进行设计，扩张层包含1x1卷积、3x3卷积和5x5卷积，通过不同卷积核对应不同感受野进行从局部到全局的特征提取，可以更好地实现特征提取效果。
4)激活函数：修正线性单元(Rectified Linear Unit，简称ReLU)具有运算简单，计算效率高和信号响应快等优势，因此它常被用于各类深度学习算法中，但它的优势仅仅在正向传播方面，并且ReLU函数对负值全部舍弃，因此很容易使模型输出全零而无法再进行训练。
基于上述情况，本实施例的压缩层采用Swish函数作为激活函数，其数学形式见式(1)，相比ReLU函数，Swish函数可以将激活单元的输出均值往0推进，达到批量归一化的效果且减少计算量，即输出均值接近0可以减少偏移效应进而使梯度接近于自然状态：
Figure BDA0002407106160000072
5)池化操作：为了可以在参数数量受限的情况下提高特征提取的质量，本实施例采用了下采样(即池化)延后方案，传统特征提取网络使用先下采样再激活，而本实施例采用先激活后下采样，这样可以给卷积层提供更大的激活图：更大的激活图保留了更多的信息，细节特征也更加丰富。
6)跳跃连接：本实施例使用四个跳跃连接来增加网络梯度的流动，并且防止在网络训练过程中造成梯度消失的问题，其中1x1卷积_1、1x1卷积_3跳跃形式为恒等映射(即跳跃时通道数不改变)；1x1卷积_2、1x1卷积_4为非恒等映射跳跃(即跳跃时通道数改变)，本实施例在此处的通道数均上升，通道数与跳跃的目的层一样，通过1x1卷积扩张实现。
7)本实施例的特征提取网络中每个缩放层的s1、e1、e2、e3具体设置如下表1所示。
表1特征提取网络的具体参数设定
Figure BDA0002407106160000071
Figure BDA0002407106160000081
从表1可以看到，第三缩放层(缩放层_4)之后进行最大池化下采样，第八缩放层(缩放层_9)之后进行最大池化下采样。
S103、将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。
进一步地，该步骤S103如图6所示，具体包括：
S1031、使用欧几里得距离对待识别人脸特征与数据库人脸特征进行相似度计算，选取欧几里得距离最小值。
具体地，使用欧几里得距离对待识别人脸特征与数据库人脸特征进行相似度计算，如下式：
Figure BDA0002407106160000082
其中，X、Y分别为待识别人脸特征和数据库人脸特征，n为人脸特征向量数目，本实施例中n＝128，x、y分别是待识别人脸特征和数据库人脸特征的子特征。
若欧几里得距离的值最小，则说明当前进行比对的数据库人脸特征与待识别人脸特征的相似度最高，因此需要选取欧几里得距离最小值。
S1032、若欧几里得距离最小值小于预设阈值，则输出欧几里得距离最小值对应的数据库人脸特征，并输出比对成功的人脸识别结果。
S1033、若欧几里得距离最小值大于或等于预设阈值，则输出比对失败的人脸识别结果。
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图7所示，本实施例提供了一种轻量级人脸识别系统，该系统包括人脸检测模块701、人脸特征提取模块702和人脸特征比对模块703，各个模块的具体功能如下：
所述人脸检测模块701，用于利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块。
所述人脸特征提取模块702，用于利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层。
所述人脸特征比对模块703，用于将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。
进一步地，所述人脸特征比对模块703如图8所示，具体包括：
计算单元7031，用于使用欧几里得距离对待识别人脸特征与数据库人脸特征进行相似度计算，选取欧几里得距离最小值。
第一输出单元7032，用于若欧几里得距离最小值小于预设阈值，则输出欧几里得距离最小值对应的数据库人脸特征，并输出比对成功的人脸识别结果。
第二输出单元7033，用于若欧几里得距离最小值大于或等于预设阈值，则输出比对失败的人脸识别结果。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
本实施例提供了一种计算机设备，该计算机设备可以为计算机，如图9所示，其通过系统总线901连接的处理器902、存储器、输入装置903、显示器904和网络接口905，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质906和内存储器907，该非易失性存储介质906存储有操作系统、计算机程序和数据库，该内存储器907为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器902执行存储器存储的计算机程序时，实现上述实施例1的轻量级人脸识别方法，如下：
利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；
利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；
将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。
进一步地，所述将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果，具体包括：
使用欧几里得距离对待识别人脸特征与数据库人脸特征进行相似度计算，选取欧几里得距离最小值；
若欧几里得距离最小值小于预设阈值，则输出欧几里得距离最小值对应的数据库人脸特征，并输出比对成功的人脸识别结果；
若欧几里得距离最小值大于或等于预设阈值，则输出比对失败的人脸识别结果。
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的轻量级人脸识别方法，如下：
利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；
利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；
将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。
进一步地，所述将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果，具体包括：
使用欧几里得距离对待识别人脸特征与数据库人脸特征进行相似度计算，选取欧几里得距离最小值；
若欧几里得距离最小值小于预设阈值，则输出欧几里得距离最小值对应的数据库人脸特征，并输出比对成功的人脸识别结果；
若欧几里得距离最小值大于或等于预设阈值，则输出比对失败的人脸识别结果。
本实施例中所述的存储介质可以是磁盘、光盘、计算机存储器、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
综上所述，本发明设计的人脸识别算法具有计算量小、参数量少、运行速度快、准确率高等优势，在人脸检测部分，通过深度可分离卷积和Inception块混用的方式，既减少了计算量又保证了特征提取不受影响；在人脸特征提取部分，通过使用压缩卷积层，不但可以使参数量成为一般卷积层参数量的1/9，还可以通过对上层输出通道进行压缩的方式减少本层输入通道数，进而减少本层的计算量；同时，本发明的扩张层通过在本层采用多种卷积核采样的方式，增强了网络提取特征的能力；最后通过缩放层的堆叠，输出最具图像特点的128维特征向量；由于本发明计算量比较少，可以在一定程度上减少人脸识别算法运用在一些实时场景中造成严重延时问题的发生，并且本发明的模型较小，还可以植入到移动设备或者内存较小设备上运行，具有广泛的实用价值。
以上所述，仅为本发明专利较佳的实施例，但本发明专利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专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种轻量级人脸识别方法，其特征在于，所述方法包括：
利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；
利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；
将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。
2.根据权利要求1所述的轻量级人脸识别方法，其特征在于，所述五个深度可分离卷积层分别为第一深度可分离卷积层、第二深度可分离卷积层、第三深度可分离卷积层、第四深度可分离卷积层和第五深度可分离卷积层，所述三个Inception块分别为第一Inception块、第二Inception块和第三Inception块；
所述第一深度可分离卷积层、第二深度可分离卷积层、第一Inception块、第二Inception块、第三Inception块、第三深度可分离卷积层、第四深度可分离卷积层和第五深度可分离卷积层依次连接。
3.根据权利要求1所述的轻量级人脸识别方法，其特征在于，每个深度可分离卷积层包括深度卷积层和逐点卷积层，其中深度卷积层对每个输入通道应用单通道的轻量级滤波器，逐点卷积层负责计算输入通道的线性组合，构建新的特征。
4.根据权利要求1所述的轻量级人脸识别方法，其特征在于，每个Inception块包括三个分支，第一个分支为第一卷积层，第二个分支为依次连接的池化层和第二卷积层，第三个分支为依次连接的第三卷积层、第六深度可分离卷积层和第七深度可分离卷积层。
5.根据权利要求1-4任一项所述的轻量级人脸识别方法，其特征在于，所述十二个堆叠层包括两个卷积层、九个缩放层和一个全连接层，所述两个卷积层分别为第四卷积层和第五卷积层，所述九个缩放层分别为第一缩放层、第二缩放层、第三缩放层、第四缩放层、第五缩放层、第六缩放层、第七缩放层、第八缩放层和第九缩放层；
所述第四卷积层、第一缩放层、第二缩放层、第三缩放层、第四缩放层、第五缩放层、第六缩放层、第七缩放层、第八缩放层、第九缩放层、第五卷积层和全连接层依次连接，所述第一缩放层与第四缩放层之间通过残差网络进行跳跃连接，所述第二缩放层与第七缩放层之间通过残差网络进行跳跃连接，所述第五缩放层与第八缩放层之间通过残差网络进行跳跃连接，所述第八缩放层与第五卷积层之间通过残差网络进行跳跃连接。
6.根据权利要求5所述的轻量级人脸识别方法，其特征在于，每个缩放层包括相连接的压缩层和扩张层，所述压缩层用于对上层的输出通道进行压缩，所述扩张层用于通过不同卷积核对应不同感受野进行从局部到全局的特征提取；
每个缩放层的压缩层采用Swish函数作为激活函数，所述第三缩放层之后进行最大池化下采样，所述第八缩放层之后进行最大池化下采样。
7.根据权利要求1-4任一项所述的轻量级人脸识别方法，其特征在于，所述将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果，具体包括：
使用欧几里得距离对待识别人脸特征与数据库人脸特征进行相似度计算，选取欧几里得距离最小值；
若欧几里得距离最小值小于预设阈值，则输出欧几里得距离最小值对应的数据库人脸特征，并输出比对成功的人脸识别结果；
若欧几里得距离最小值大于或等于预设阈值，则输出比对失败的人脸识别结果。
8.一种轻量级人脸识别系统，其特征在于，所述系统包括：
人脸检测模块，用于利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；
人脸特征提取模块，用于利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；
人脸特征比对模块，用于将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的轻量级人脸识别方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的轻量级人脸识别方法。
CN202010164943.3A 2020-03-11 2020-03-11 轻量级人脸识别方法、系统、计算机设备及存储介质 Pending CN111400535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010164943.3A CN111400535A (zh) 2020-03-11 2020-03-11 轻量级人脸识别方法、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010164943.3A CN111400535A (zh) 2020-03-11 2020-03-11 轻量级人脸识别方法、系统、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111400535A true CN111400535A (zh) 2020-07-10

Family

ID=71428591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010164943.3A Pending CN111400535A (zh) 2020-03-11 2020-03-11 轻量级人脸识别方法、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111400535A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070019A (zh) * 2020-09-08 2020-12-11 河南威虎智能科技有限公司 一种人脸识别方法、装置、电子设备和存储介质
CN112115854A (zh) * 2020-09-17 2020-12-22 广东光速智能设备有限公司 一种应用在工地闸机的离线轻量级人脸识别系统
CN112183449A (zh) * 2020-10-15 2021-01-05 上海汽车集团股份有限公司 一种驾驶员身份验证方法、装置、电子设备及存储介质
CN112200159A (zh) * 2020-12-01 2021-01-08 四川圣点世纪科技有限公司 一种基于改进残差网络的非接触式掌静脉识别方法
CN112560828A (zh) * 2021-02-25 2021-03-26 佛山科学技术学院 一种轻量级口罩人脸识别方法、系统、存储介质及设备
CN112699826A (zh) * 2021-01-05 2021-04-23 风变科技（深圳）有限公司 人脸检测方法、装置、计算机设备和存储介质
CN112765353A (zh) * 2021-01-22 2021-05-07 重庆邮电大学 一种基于科研文本的生物医学学科分类方法及装置
CN113554692A (zh) * 2021-08-19 2021-10-26 广州虎牙科技有限公司 一种人脸检测模型训练方法、人脸检测方法及相关装置
CN113723205A (zh) * 2021-08-04 2021-11-30 中国人民解放军陆军勤务学院 一种基于人脸底库特征分组的人脸识别方法
CN115810014A (zh) * 2023-02-07 2023-03-17 菲特（天津）检测技术有限公司 一种基于图片中子图块的电极帽端面缺陷检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557743A (zh) * 2016-10-26 2017-04-05 桂林电子科技大学 一种基于fecnn的人脸特征提取系统及方法
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
US20190205620A1 (en) * 2017-12-31 2019-07-04 Altumview Systems Inc. High-quality training data preparation for high-performance face recognition systems
CN110263768A (zh) * 2019-07-19 2019-09-20 深圳市科葩信息技术有限公司 一种基于深度残差网络的人脸识别方法
US20190377930A1 (en) * 2018-06-11 2019-12-12 Zkteco Usa, Llc Method and System for Face Recognition Via Deep Learning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557743A (zh) * 2016-10-26 2017-04-05 桂林电子科技大学 一种基于fecnn的人脸特征提取系统及方法
US20190205620A1 (en) * 2017-12-31 2019-07-04 Altumview Systems Inc. High-quality training data preparation for high-performance face recognition systems
US20190377930A1 (en) * 2018-06-11 2019-12-12 Zkteco Usa, Llc Method and System for Face Recognition Via Deep Learning
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
CN110263768A (zh) * 2019-07-19 2019-09-20 深圳市科葩信息技术有限公司 一种基于深度残差网络的人脸识别方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070019A (zh) * 2020-09-08 2020-12-11 河南威虎智能科技有限公司 一种人脸识别方法、装置、电子设备和存储介质
CN112070019B (zh) * 2020-09-08 2024-05-28 河南威虎智能科技有限公司 一种人脸识别方法、装置、电子设备和存储介质
CN112115854A (zh) * 2020-09-17 2020-12-22 广东光速智能设备有限公司 一种应用在工地闸机的离线轻量级人脸识别系统
CN112183449B (zh) * 2020-10-15 2024-03-19 上海汽车集团股份有限公司 一种驾驶员身份验证方法、装置、电子设备及存储介质
CN112183449A (zh) * 2020-10-15 2021-01-05 上海汽车集团股份有限公司 一种驾驶员身份验证方法、装置、电子设备及存储介质
CN112200159A (zh) * 2020-12-01 2021-01-08 四川圣点世纪科技有限公司 一种基于改进残差网络的非接触式掌静脉识别方法
CN112699826B (zh) * 2021-01-05 2024-05-28 风变科技（深圳）有限公司 人脸检测方法、装置、计算机设备和存储介质
CN112699826A (zh) * 2021-01-05 2021-04-23 风变科技（深圳）有限公司 人脸检测方法、装置、计算机设备和存储介质
CN112765353A (zh) * 2021-01-22 2021-05-07 重庆邮电大学 一种基于科研文本的生物医学学科分类方法及装置
CN112560828A (zh) * 2021-02-25 2021-03-26 佛山科学技术学院 一种轻量级口罩人脸识别方法、系统、存储介质及设备
CN113723205A (zh) * 2021-08-04 2021-11-30 中国人民解放军陆军勤务学院 一种基于人脸底库特征分组的人脸识别方法
CN113554692A (zh) * 2021-08-19 2021-10-26 广州虎牙科技有限公司 一种人脸检测模型训练方法、人脸检测方法及相关装置
CN115810014A (zh) * 2023-02-07 2023-03-17 菲特（天津）检测技术有限公司 一种基于图片中子图块的电极帽端面缺陷检测方法

Similar Documents

Publication Publication Date Title
CN111400535A (zh) 轻量级人脸识别方法、系统、计算机设备及存储介质
Mao et al. Mini-YOLOv3: real-time object detector for embedded applications
Liu et al. Teinet: Towards an efficient architecture for video recognition
US11062123B2 (en) Method, terminal, and storage medium for tracking facial critical area
CN110991311B (zh) 一种基于密集连接深度网络的目标检测方法
Bai et al. CNN feature boosted SeqSLAM for real‐time loop closure detection
CN113239981B (zh) 局部特征耦合全局表征的图像分类方法
Yun et al. Selfreformer: Self-refined network with transformer for salient object detection
CN111968150B (zh) 一种基于全卷积神经网络的弱监督视频目标分割方法
Yu et al. Auto-fas: Searching lightweight networks for face anti-spoofing
US20210056357A1 (en) Systems and methods for implementing flexible, input-adaptive deep learning neural networks
US20110235926A1 (en) Information processing apparatus, method and program
CN111260037B (zh) 图像数据的卷积运算方法、装置、电子设备及存储介质
CN115223017B (zh) 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法
CN109598301B (zh) 检测区域去除方法、装置、终端和存储介质
CN111382602A (zh) 一种跨域人脸识别算法、存储介质及处理器
CN117351354B (zh) 基于改进MobileViT的轻量级遥感图像目标检测方法
CN111368707B (zh) 基于特征金字塔与密集块的人脸检测方法、系统、设备及介质
CN115223009A (zh) 基于改进型YOLOv5的小目标检测方法及装置
CN113392689A (zh) 视频文字跟踪方法、视频处理方法、装置、设备及介质
CN110852214A (zh) 面向边缘计算的轻量级面部识别方法
CN114333062A (zh) 基于异构双网络和特征一致性的行人重识别模型训练方法
CN113723352A (zh) 一种文本检测方法、系统、存储介质及电子设备
CN110210430A (zh) 一种行为识别方法及装置
CN115587628A (zh) 一种深度卷积神经网络轻量化方法

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

Application publication date: 20200710

RJ01 Rejection of invention patent application after publication