一种以卷积神经网络作为特征提取器的人脸识别方法与流程

文档序号:11143266阅读:1827来源:国知局
一种以卷积神经网络作为特征提取器的人脸识别方法与制造工艺

本发明涉及一种以卷积神经网络作为特征提取器的人脸识别方法,属于个人身份识别技术领域。



背景技术:

人脸识别,是基于人的脸部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含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术。目前,人脸识别技术已经广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域,并愈来愈成为诸多企业的热门研究方向,并期待其在更多应用领域下产生更大的作用。

传统的人脸识别方法是基于传统的特征提取及特征分类方法:例如较热门的特征脸(Eigenface)方法即基于主成分分析(PCA)方法,来进行待识别人脸图像的分类,但这些特征分类方法有一个关键的问题:即稳定性不足,难以实现多场景多环境多姿态的人脸识别,而新出现的基于深度学习的人脸识别方法虽然能解决前述的问题,但由于其对于应用框架有较高的要求,难以实现良好的环境移植以及数据库增减的效果。其中,CNN即指卷积神经网络,RNN即指循环神经网络,DNN即指深度神经网络。



技术实现要素:

本发明所要解决的技术问题是克服现有技术的缺陷,提供一种以卷积神经网络作为特征提取器的人脸识别方法。

为解决上述技术问题,本发明提供一种以卷积神经网络作为特征提取器的人脸识别方法,其特征在于,包括如下步骤:

步骤SS1:根据识别需要,构建待识别人脸图像数据库,按需要形成训练集、测试集;

步骤SS2:提取CNN模型为特征提取器;

步骤SS3:以CNN模型提取待识别人脸库图像的待识别特征向量,并保存;

步骤SS4:利用特征分类器对提取出的训练集、测试集数据进行分类。

优选地,所述步骤SS2中的所述提取模型为特征提取器包括如下步骤:

步骤SS21:采集标准数据库,构建标准训练、测试数据集;

步骤SS22:利用标准数据库,构建CNN神经网络进行训练;

步骤SS23:判断神经网络的训练效果是否达到预期目标,若不满足,则重新设计网络结构,并转入步骤SS22,否则判断为符合,视为训练成功,并提取CNN模型为特征提取器。

优选地,所述特征分类器采用K最近邻算法。

优选地,所述K最近邻算法包括如下步骤:

步骤SS41:准备待识别人脸图像数据库,对待识别人脸图像数据库进行预处理,得到训练元组集、测试元组集;

步骤SS42:选用合适的数据结构存储训练元组和测试元组;

步骤SS43:设定参数k;

步骤SS44:维护一个大小为k的的按距离由大到小的优先级队列,用于存储最近邻训练元组;随机从训练元组中选取k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,将训练元组标号和距离存入优先级队列;

步骤SS45:遍历训练元组集,计算当前训练元组与测试元组的距离,将所得距离L与优先级队列中的最大距离Lmax;

步骤SS46:进行比较,若L大于等于Lmax,则舍弃该元组,遍历下一个元组;若L<Lmax,删除优先级队列中最大距离的元组,将当前训练元组存入优先级队列;

步骤SS47:遍历完毕,计算优先级队列中k个元组的多数类,并将其作为测试元组的类别;

步骤SS48:测试元组集测试完毕后计算误差率,继续设定不同的k值重新进行训练,最后取误差率最小的k值。

优选地,所述步骤SS1中的待识别人脸图像数据库以及训练集、测试集作为所述步骤SS2中的特征提取器的输入,从而得到相应的输出的特征向量以作为后续身份识别的依据。

优选地,所述步骤SS4中的所述利用特征分类器对提取出的训练集、测试集数据进行分类具体包括:利用特征分类器对提取出的特征向量进行分类计算,从而得到待分类图像的身份信息,完成基于卷积神经网络的完整的人脸识别分类。

本发明所达到的有益效果:(1)本发明以现在的图像识别中较为热门的深度学习卷积神经网络作为特征提取器,提取出待识别的数据库中的人脸图像的重要特征来作为后续人脸识别的依据,而后以提取出的特征为基础,以自己的特征分类器进行人脸图像的分类;(2)本发明既能利用卷积神经网络的高识别率、高抗干扰性特点,也可以便利地对于待识别人脸数据库进行修改操作,增添了该人脸识别方法在于人脸身份识别领域的实用性;(3)本发明克服了现有特征分类方法稳定性不足,难以实现多场景多环境多姿态的人脸识别的缺陷,而且其对于应用框架的要求较低,很好的实现了良好的环境移植以及数据库增减的效果。

附图说明

图1是本发明的一种以卷积神经网络作为特征提取器的人脸识别方法的工作流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。

本发明提供一种以卷积神经网络作为特征提取器的人脸识别方法,其特征在于,包括如下步骤:

步骤SS1:根据识别需要,构建待识别人脸图像数据库,按需要形成训练集、测试集;

步骤SS2:提取CNN模型为特征提取器;

步骤SS3:以CNN模型提取待识别人脸库图像的待识别特征向量,并保存;

步骤SS4:利用特征分类器对提取出的训练集、测试集数据进行分类。

作为一种较佳的实施例,所述步骤SS2中的所述提取模型为特征提取器包括如下步骤:

步骤SS21:采集标准数据库,构建标准训练、测试数据集;

步骤SS22:利用标准数据库,构建CNN神经网络进行训练;

步骤SS23:判断神经网络的训练效果是否达到预期目标,若不满足,则重新设计网络结构,并转入步骤SS22,否则判断为符合,视为训练成功,并提取CNN模型为特征提取器。

作为一种较佳的实施例,所述特征分类器采用K最近邻算法。

作为一种较佳的实施例,所述K最近邻算法包括如下步骤:

步骤SS41:准备待识别人脸图像数据库,对待识别人脸图像数据库进行预处理,得到训练元组集、测试元组集;

步骤SS42:选用合适的数据结构存储训练元组和测试元组;

步骤SS43:设定参数k;

步骤SS44:维护一个大小为k的的按距离由大到小的优先级队列,用于存储最近邻训练元组;随机从训练元组中选取k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,将训练元组标号和距离存入优先级队列;

步骤SS45:遍历训练元组集,计算当前训练元组与测试元组的距离,将所得距离L与优先级队列中的最大距离Lmax;

步骤SS46:进行比较,若L大于等于Lmax,则舍弃该元组,遍历下一个元组;若L<Lmax,删除优先级队列中最大距离的元组,将当前训练元组存入优先级队列;

步骤SS47:遍历完毕,计算优先级队列中k个元组的多数类,并将其作为测试元组的类别;

步骤SS48:测试元组集测试完毕后计算误差率,继续设定不同的k值重新进行训练,最后取误差率最小的k值。

作为一种较佳的实施例,所述步骤SS1中的待识别人脸图像数据库以及训练集、测试集作为所述步骤SS2中的特征提取器的输入,从而得到相应的输出的特征向量以作为后续身份识别的依据。

作为一种较佳的实施例,所述步骤SS4中的所述利用特征分类器对提取出的训练集、测试集数据进行分类具体包括:利用特征分类器对提取出的特征向量进行分类计算,从而得到待分类图像的身份信息,完成基于卷积神经网络的完整的人脸识别分类。

以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1