CN111401299A - 人脸识别方法 - Google Patents
人脸识别方法 Download PDFInfo
- Publication number
- CN111401299A CN111401299A CN202010262536.6A CN202010262536A CN111401299A CN 111401299 A CN111401299 A CN 111401299A CN 202010262536 A CN202010262536 A CN 202010262536A CN 111401299 A CN111401299 A CN 111401299A
- Authority
- CN
- China
- Prior art keywords
- face
- neural network
- convolutional neural
- data set
- recognition method
- 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
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人脸识别方法,包括以下步骤:步骤S1:从公共数据集获取人脸训练测试资源;步骤S2:对图像进行预处理。步骤S3:将处理后的人脸数据集输入由我们改进后的NVM模块的新型网络结构的卷积神经网络得到训练完成的轻量化卷积神经网络。步骤S4:将测试集中的人脸图像输入到训练好的轻量化卷积神经网络模型中,判断识别是否准确验证该轻量化模型是否能有效对人脸数据集进行分类。
Description
技术领域
本发明涉及一种人脸识别方法。
背景技术
5G时代来临,随着物联网,大数据的技术逐步走向成熟,信息传输速率不断加快,智能终端能在生活中帮助我们的范围也在越来越宽。其中智能识别,智能分类,智能运算运用最为广泛。而图像,视频的智能识别更是成为了我们生活中不可缺少的一部分.
面部识别作为捕捉人类活动的重要信息来源,推动了人脸识别技术的发展。在日常生活中越来越得到广泛的应用,例如,商业人脸支付系统、执法系统等应用。随之出现了很多人脸模式识别的方法,例如:主成分分析(PCA)、线性判别分析(LDA)后向传播神经网络(BPNN)和卷积神经网络(CNN)等。近年,卷积神经网络在大规模视觉识别挑战赛(ILSV RC)上不断地刷新了ImageNet数据集的识别记录,
介于卷积神经网络对目标图片识别率高的特点,将其应用到人脸识别当中。创造基于轻量化卷积神经网络的人脸识别方法,进而为人脸的正确识别提供有效的帮助,人脸数据姿态多种多样,使得在模型训练过程中需要非常多的人脸数据,通常我们先建立好人脸图像的训练集,在使用深度学习方法利用模型对大量的人脸数据进行训练,生产训练好的模型,随后构建新的图像验证集对模型进行验证得到最终的分类识别结果。但是而由于神经网络的特性,为了获得更高的准确率,我们不断的在增加其网络的深度和复杂度,其内部的参数数量,非线性映射也越来越庞大,因此也许很深的网络结构在竞赛和数据体现上会有很好的运算结果,但在实际应用中往往会受限于终端的存储空间,运算能力,计算速度等。
但是在日常人脸识别算法中我们往往要在毫秒中获得学习结果,而这些设备往往处理器性能有限,也不能像在实验室里花大量时间训练运算。因此大大限制了卷积神经网络在人脸识别的实用性。
发明内容
本发明的目的在于提供一种人脸识别方法。
为解决上述问题,本发明提供一种人脸识别方法,包括:
从公共数据集获取人脸训练测试资源;
从所述人脸训练测试资源中获取人脸图像,对获取的人脸图像进行预处理或者数据扩充,得到人脸数据集;
将所述人脸数据集输入由NVM模块构成的卷积神经网络得到训练完成的轻量化卷积神经网络;
将测试集中的人脸图像输入到训练好的轻量化卷积神经网络模型中,以得到输出结果,对所述输出结果进行对比分析。
进一步的,在上述方法中,所述公用数据集包括PubFig、4.Multi-Task FacialLandmark dataset或ORL人脸数据集。
进一步的,在上述方法中,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行放大或者缩小。
进一步的,在上述方法中,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行平移。
进一步的,在上述方法中,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行放射变化。
进一步的,在上述方法中,将所述人脸数据集输入由NVM模块构成的卷积神经网络得到训练完成的轻量化卷积神经网络之前,还包括:
设置所述由NVM模块构成的卷积神经网络。
进一步的,在上述方法中,设置所述由NVM模块构成的卷积神经网络,包括:
由压缩层和扩展层组成NVM模块,把1×1常规卷积替换为分组卷积以到达我们的模型精简,在压缩层通过1×1分组卷积减少输入的通道数;
在1×1卷积后面加入批量归一化来加速训练过程;
通过Channel Shuffel让数据、分组训练信息在不同的通道中进行流通;
在NVM卷积神经网络的结构中,针对人脸数据集的分类采用Center Loss作为损失函数为:
混合损失函数为:
L=Ls+γL。
进一步的,在上述方法中,对获取的人脸图像进行预处理或者数据扩充,得到人脸数据集之后,还包括:
将所述人脸数据集分为训练集、验证集和测试集。
与现有技术相比,本发明具有以下优点和有益效果:
1、采用高效的方法对数据集进行了扩充,提高了训练的有效性,提高模型的拟合能力。
2、采用分组卷积的NVM模块的卷积神经网络结构可以有效减少网络的参数量和计算量,大大提高网络的移动端的可移植性,提高网络的应用场景。针对人脸识别采用CenterLoss作为我们的损失函数,它让类内距离变得更小,类间距离变得更大,更有利于我们分类一些复杂的人脸图像。
3、基于反向传播算法和Dropout、Bagging等正则化算法卷积神经网络模型,可以自适应提高网络的学习效率,提高网络的重建能力。
附图说明
图1是本发明一实施例的轻量化卷积神经网络结构图;
图2是本发明一实施例的组成该网络结构的采用分组卷积的NVM模块图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和2所示,本发明提供一种人脸识别方法,包括:
步骤S1:从公共数据集获取人脸训练测试资源;
步骤S2:从所述人脸训练测试资源中获取人脸图像,对获取的人脸图像进行预处理或者数据扩充,得到人脸数据集;
步骤S3:将所述人脸数据集输入由NVM模块构成的卷积神经网络得到训练完成的轻量化卷积神经网络;
步骤S4:将测试集中的人脸图像输入到训练好的轻量化卷积神经网络模型中,以得到输出结果,对所述输出结果进行对比分析。
在此,将测试集中的人脸图像输入到训练好的轻量化卷积神经网络模型中,判断识别是否准确验证该轻量化模型是否能有效对人脸数据集进行分类。
本发明为了解决人脸识别时候卷积神经网络由于参数量和计算量过于庞大导致移动端的可移植性不高,提出了一种轻量化的人脸识别卷积网络结构。能够让人脸识别时候网络的质量更轻小化。
本发明对原来的卷积神经网络结构进行改进提出了一个轻量化的卷积神经网络结构来让深度学习能够更加广泛应用于日常的人脸分类中,该网络模型可以有效减小网络参数量和计算量,使卷积神经网络人脸识别在移动端速率和计算和存储内存占有率大大降低。
本发明的人脸识别方法一实施例中,所述公用数据集包括PubFig:PublicFigures Face Database(哥伦比亚大学公众人物脸部数据库)、4.Multi-Task FacialLandmark(MTFL)dataset或ORL人脸数据集。
本发明的人脸识别方法一实施例中,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行放大或者缩小。
在此,可以对所述训练集中的图像进行放大或者缩小。
本发明的人脸识别方法一实施例中,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行平移。
在此,可以对训练集中的图像进行平移。
本发明的人脸识别方法一实施例中,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行放射变化。
在此,可以对训练集的图像进行放射变化。
本发明的人脸识别方法一实施例中,将所述人脸数据集输入由NVM模块构成的卷积神经网络得到训练完成的轻量化卷积神经网络之前,还包括:
设置所述由NVM模块构成的卷积神经网络。
本发明的人脸识别方法一实施例中,设置所述由NVM模块构成的卷积神经网络,包括:
步骤S31:由压缩层和扩展层组成NVM模块,把1×1常规卷积替换为分组卷积以到达我们的模型精简,在压缩层通过1×1分组卷积减少输入的通道数;
步骤S32:在1×1卷积后面加入批量归一化来加速训练过程;
步骤S33:之后通过Channel Shuffel让数据、分组训练信息在不同的通道中进行流通。
步骤S34:NVM卷积神经网络的结构中,针对人脸数据集的分类采用Center Loss作为损失函数为:
混合损失函数为:
L=Ls+γL。
本发明的人脸识别方法一实施例中,对获取的人脸图像进行预处理或者数据扩充,得到人脸数据集之后,还包括:
将所述人脸数据集分为训练集、验证集和测试集。
在此,训练阶段,将训练集输入到我们的卷积神经网络中,采用反向传播算法,目的是不断对模型参数进行调优,提高模型的拟合能力,同时采用Dropout、Bagging等正则化算法对模型进行训练,目的是优化模型的拟合能力防止模型过拟合。
在测试集上用测试集的图片输入训练完成的卷积神经网络进行对比分析网络的准确率。
综上所述,本发明具有以下优点和有益效果:
1、采用高效的方法对数据集进行了扩充,提高了训练的有效性,提高模型的拟合能力。
2、采用分组卷积的NVM模块的卷积神经网络结构可以有效减少网络的参数量和计算量,大大提高网络的移动端的可移植性,提高网络的应用场景。针对人脸识别采用CenterLoss作为我们的损失函数,它让类内距离变得更小,类间距离变得更大,更有利于我们分类一些复杂的人脸图像。
3、基于反向传播算法和Dropout、Bagging等正则化算法卷积神经网络模型,可以自适应提高网络的学习效率,提高网络的重建能力。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,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发明的范围。显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (8)
1.一种人脸识别方法,其特征在于,包括:
从公共数据集获取人脸训练测试资源;
从所述人脸训练测试资源中获取人脸图像,对获取的人脸图像进行预处理或者数据扩充,得到人脸数据集;
将所述人脸数据集输入由NVM模块构成的卷积神经网络得到训练完成的轻量化卷积神经网络;
将测试集中的人脸图像输入到训练好的轻量化卷积神经网络模型中,以得到输出结果,对所述输出结果进行对比分析。
2.如权利要求1所述的人脸识别方法,其特征在于,所述公用数据集包括PubFig、4.Multi-Task Facial Landmark dataset或ORL人脸数据集。
3.如权利要求1所述的人脸识别方法,其特征在于,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行放大或者缩小。
4.如权利要求1所述的人脸识别方法,其特征在于,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行平移。
5.如权利要求1所述的人脸识别方法,其特征在于,对获取的人脸图像进行预处理或者数据扩充,包括:
对获取的人脸图像进行放射变化。
6.如权利要求1所述的人脸识别方法,其特征在于,将所述人脸数据集输入由NVM模块构成的卷积神经网络得到训练完成的轻量化卷积神经网络之前,还包括:
设置所述由NVM模块构成的卷积神经网络。
8.如权利要求1所述的人脸识别方法,其特征在于,对获取的人脸图像进行预处理或者数据扩充,得到人脸数据集之后,还包括:
将所述人脸数据集分为训练集、验证集和测试集。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262536.6A CN111401299A (zh) | 2020-04-03 | 2020-04-03 | 人脸识别方法 |
CN202011492218.5A CN112560687B (zh) | 2020-04-03 | 2020-12-16 | 人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262536.6A CN111401299A (zh) | 2020-04-03 | 2020-04-03 | 人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401299A true CN111401299A (zh) | 2020-07-10 |
Family
ID=71433540
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010262536.6A Pending CN111401299A (zh) | 2020-04-03 | 2020-04-03 | 人脸识别方法 |
CN202011492218.5A Active CN112560687B (zh) | 2020-04-03 | 2020-12-16 | 人脸识别方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011492218.5A Active CN112560687B (zh) | 2020-04-03 | 2020-12-16 | 人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111401299A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269300A (zh) * | 2021-04-14 | 2021-08-17 | 广州晟烨信息科技股份有限公司 | 一种人脸采集特征训练方法、系统及存储介质 |
CN113496186A (zh) * | 2020-08-21 | 2021-10-12 | 上海齐感电子信息科技有限公司 | 移动端设备及其人脸识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038474B (zh) * | 2017-12-28 | 2020-04-14 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
CN108647625A (zh) * | 2018-05-04 | 2018-10-12 | 北京邮电大学 | 一种表情识别方法及装置 |
CN109002766B (zh) * | 2018-06-22 | 2021-07-09 | 北京邮电大学 | 一种表情识别方法及装置 |
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 |
CN109376692A (zh) * | 2018-11-22 | 2019-02-22 | 河海大学常州校区 | 面向人脸表情识别的迁移卷积神经网络方法 |
-
2020
- 2020-04-03 CN CN202010262536.6A patent/CN111401299A/zh active Pending
- 2020-12-16 CN CN202011492218.5A patent/CN112560687B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496186A (zh) * | 2020-08-21 | 2021-10-12 | 上海齐感电子信息科技有限公司 | 移动端设备及其人脸识别方法 |
CN113269300A (zh) * | 2021-04-14 | 2021-08-17 | 广州晟烨信息科技股份有限公司 | 一种人脸采集特征训练方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112560687A (zh) | 2021-03-26 |
CN112560687B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220058426A1 (en) | Object recognition method and apparatus, electronic device, and readable storage medium | |
CN108596258B (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
Zhang et al. | Hierarchical feature fusion with mixed convolution attention for single image dehazing | |
CN112465008B (zh) | 一种基于自监督课程学习的语音和视觉关联性增强方法 | |
WO2022042123A1 (zh) | 图像识别模型生成方法、装置、计算机设备和存储介质 | |
Goswami et al. | Face verification via learned representation on feature-rich video frames | |
CN112036513B (zh) | 基于内存增强潜在空间自回归的图像异常检测方法 | |
CN113435509B (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN112560687B (zh) | 人脸识别方法 | |
EP3588380A1 (en) | Information processing method and information processing apparatus | |
Gunasekar et al. | Face detection on distorted images augmented by perceptual quality-aware features | |
Lu et al. | Rethinking prior-guided face super-resolution: A new paradigm with facial component prior | |
WO2021082695A1 (zh) | 一种训练方法、特征提取方法、装置及电子设备 | |
CN112001215A (zh) | 一种基于三维唇动的文本无关说话人身份识别方法 | |
CN111104852A (zh) | 一种基于启发式高斯云变换的人脸识别技术 | |
CN110929099A (zh) | 一种基于多任务学习的短视频帧语义提取方法及系统 | |
CN113806564B (zh) | 多模态信息性推文检测方法及系统 | |
CN113011307A (zh) | 一种基于深度残差网络的人脸识别身份认证方法 | |
Zeng et al. | Term-based pooling in convolutional neural networks for text classification | |
CN111652238A (zh) | 一种多模型集成方法及系统 | |
US20220207321A1 (en) | Convolution-Augmented Transformer Models | |
CN108197573A (zh) | 基于镜像图的lrc和crc偏差结合的人脸识别方法 | |
CN113343898A (zh) | 基于知识蒸馏网络的口罩遮挡人脸识别方法、装置及设备 | |
Biswas et al. | A Novel Embedding Architecture and Score Level Fusion Scheme for Occluded Image Acquisition in Ear Biometrics System |
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: 20200710 |
|
WD01 | Invention patent application deemed withdrawn after publication |