一种识别用户身份的方法和装置与流程

本发明涉及人脸识别技术领域，尤其涉及一种基于深度学习的机器人识别用户身份的方法和装置。

背景技术：

随着科学技术的高速发展，机器人制造技术也得以发展迅速，机器人的应用已逐步进入家庭服务行业。

物业服务机器人是一种不受环境、温度的影响，能够动态地实现对用户身份识别的机器人，该类机器人需要在用户身份识别方面有卓越的辨识能力。

因此，如何提高机器人识别用户身份的识别率、正确率非常关键。

技术实现要素：

有鉴于此，本发明提供一种识别用户身份的方法和装置，以提高机器人识别用户身份的识别率、正确率。技术方案如下：

基于本发明的一方面，本发明提供一种识别用户身份的方法，包括：

检测人脸图片；

将所述人脸图片输入至人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；

计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；

确定出距离值最小时对应的目标预存深度特征向量；

确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。

优选地，所述人脸识别模型为深度卷积神经网络Deep CNN人脸识别模型。

优选地，所述检测人脸图片之前，所述方法还包括：

基于大量的人脸数据，采用前向传播和后向传播的方法来训练所述大量的人脸数据，以得到所述Deep CNN人脸识别模型。

优选地，所述计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值包括：

采用最临近KNN最近距离算法计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。

基于本发明的另一方面，本发明还提供一种识别用户身份的装置，包括：

图片检测单元，用于检测人脸图片；

图片处理单元，用于将所述人脸图片输入至预设的人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；

距离计算单元，用于计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；

第一确定单元，用于确定出距离值最小时对应的目标预存深度特征向量；

第二确定单元，用于确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。

优选地，所述人脸识别模型为深度卷积神经网络Deep CNN人脸识别模型。

优选地，还包括：

模型训练单元，用于基于大量的人脸数据，采用前向传播和后向传播的方法来训练所述大量的人脸数据，以得到所述Deep CNN人脸识别模型。

优选地，所述距离计算单元具体用于，采用最临近KNN最近距离算法计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。

本发明提供的识别用户身份的方法包括：检测人脸图片；将所述人脸图片输入至预设的人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；确定出距离值最小时对应的目标预存深度特征向量；确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。本发明利用人脸识别模型计算得到人脸图片的深度特征向量，进而通过计算深度特征向量与各预存深度特征向量间的距离值，确定出距离值最小时对应的目标预存深度特征向量，将该目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份，本发明提高了机器人识别用户身份的识别率、正确率。

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，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种识别用户身份的方法的流程图；

图2为本发明提供的一种识别用户身份的装置的结构示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，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做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。

请参阅图1，其示出了本发明提供的一种识别用户身份的方法的流程图，包括：

步骤101，检测人脸图片。

其中，人脸图片指的是包括人脸信息的图片。一般的，本发明可以利用摄像头等摄像装置捕捉人脸图片，当摄像装置捕捉到人脸图片后，本发明可以从摄像装置处主动获取或被动接收到所述人脸图片。

步骤102，将所述人脸图片输入至人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量。

本发明中，人脸识别模型具体为Deep CNN(Deep Convolutional Neural Networks，深度卷积神经网络)人脸识别模型。

特别的，在实现本发明步骤101前还应包括：步骤100，基于大量的人脸数据，采用前向传播(Forward Propagation)和后向传播(Back Propagation)的方法来训练所述大量的人脸数据，以得到所述Deep CNN人脸识别模型。

本发明中的Deep CNN人脸识别模型为基于多层CNN(>10层)架构的百万级参数的Deep CNN人脸识别模型，该Deep CNN人脸识别模型的基础为深度卷积神经网络，该深度卷积神经网络具有37层，包括16个卷积层，且在该网络中包括百万级的参数。其中该网络中包括的百万级的参数必须通过大量标定好的人脸图(几十万人脸级别)不断迭待监督训练学习(supervised learning)，调整模型参数值以达到训练数据库人脸识别率最小化。

为了使模型参数能够更好地区分不同地域的不同人脸，例如亚洲人脸，训练样本集中需要收集大量的亚洲人脸数据，通过对收集的大量的亚洲人脸数据的训练，才能保证得到的最深层的深度特征向量具有很强的区分不同人脸的能力。

具体在本发明实施例中，首先需要设定好Deep CNN人脸识别模型的结构，即本发明采用多层的深度学习神经网络，包括卷积层、pooling层、relu层、全连接层、softmax分类以及triploss层。训练过程中是训练卷积层核函数、全连接层链接权、softmax分类层以及triplet loss层的参数。在本发明实际应用过程中，以归一化之后的人脸照片数据作为输入数据，以对应的人脸的标定数据作为输出，以softmax损失函数为目标函数。具体如，将人脸图片的检测结果经过校准之后归一化到224×224，输入到Deep CNN人脸识别模型后便可得到一深度特征向量。

步骤103，计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。

其中，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应。

在本发明实际应用过程中，每一名用户的人脸对应一个深度特征向量，本发明可以将每个用户对应的深度特征向量预存在深度特征向量组中，因此本发明中的深度特征向量组中包括上千维的深度特征向量。

具体的，本发明可以采用KNN(k-Nearest Neighbor，最临近)最近距离算法，依次计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。KNN为经典的分类算法:输入样本的分类由其最近K个邻居分类的“多数表决”确定。当K＝1时，样本的分类即赋为其最近邻居的分类。

本发明中，经过大量数据监督训练，同一人的人脸图片的深度特征向量之间的距离(如欧式距离)比不同人的人脸图片之间的距离近，即同一人的人脸图片的深度特征向量之间的距离值会最小。因此本发明将计算得到的人脸图片的深度特征向量与预存的深度特征向量组中的每个预存深度特征向量一一匹配计算距离值。

步骤104，确定出距离值最小时对应的目标预存深度特征向量。

步骤105，确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。

因此应用本发明提供的识别用户身份的方法，通过利用人脸识别模型计算得到人脸图片的深度特征向量，进而通过计算深度特征向量与各预存深度特征向量间的距离值，确定出距离值最小时对应的目标预存深度特征向量，将该目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份，本发明提高了机器人识别用户身份的识别率、正确率。

基于前文本发明提供的一种识别用户身份的方法，本发明还提供一种识别用户身份的装置，如图2所示，包括：

图片检测单元100，用于检测人脸图片；

图片处理单元200，用于将所述人脸图片输入至预设的人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；

距离计算单元300，用于计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；

第一确定单元400，用于确定出距离值最小时对应的目标预存深度特征向量；

第二确定单元500，用于确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。

其中，所述人脸识别模型为Deep CNN人脸识别模型。

所述装置还包括：

模型训练单元600，用于基于大量的人脸数据，采用前向传播和后向传播的方法来训练所述大量的人脸数据，以得到所述Deep CNN人脸识别模型。

所述距离计算单元300具体用于，采用KNN最近距离算法计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。

需要说明的是，本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种识别用户身份的方法和装置进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。