基于深度学习的人脸识别系统及方法与流程

本发明属于深度学习人脸识别技术领域，特别是涉及基于深度学习的人脸识别系统及方法。

背景技术：

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由hinton等人于2006年提出。基于深信度网(dbn)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

卷积神经网络算法用于人脸识别的深度学习以提高人脸识别的正确率和效率是我们需要解决的问题。

技术实现要素：

本发明的目的在于提供基于深度学习的人脸识别系统及方法，通过深度学习训练模块训练得到卷积神经网络模型，实现了卷及神经网络模型对人脸识别过程中的特征提取，解决了现有人脸识别正确率和效率低的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为基于深度学习的人脸识别系统，包括图像采集模块、人脸识别模块；所述图像采集模块包括图像采集卡；所述图像采集卡与摄像机电性连接；所述人脸识别模块包括控制单元；所述控制单元分别与人脸检测模块、深度学习训练模块、特征提取模块、匹配识别模块、存储单元、显示屏电性连接；所述存储单元分别与深度学习训练模块、特征提取模块、匹配识别模块电性连接；所述特征提取模块分别与人脸检测模块、深度学习训练模块、匹配识别模块电性连接；所述存储单元内设有人脸特征模型库；所述人脸识别模块与图像采集模块电性连接。

优选地，所述摄像机摄取图像信号传递给图像采集卡；所述图像采集卡内图像信号转换为数字图像信号；所述图像采集卡与人脸检测模块通过pci总线传输数字图像信号。

优选地，所述人脸检测模块内采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。

优选地，所述深度学习训练模块获取人脸数字图像；所述深度学习训练模块采用卷积神经网络算法对人脸数字图像训练获取卷积神经网络模型；所述卷积神经网络模型包括输入层、若干的卷积层+relu激活函数、若干的池化层、全连接层、输出层；所述输入层与卷积层间、卷积层与池化层间、池化层与全连接层间均设有隐藏层。

优选地，所述特征提取模块获取卷积神经网络训练模型；所述特征提取模块采用卷积神经网络模型对人脸数字图像特征提取得到人脸特征模型或人脸特征矢量；所述人脸特征模型存储在人脸特征模型库内。

优选地，所述匹配识别模块获取人脸特征矢量；所述匹配识别模块根据人脸特征矢量与人脸特征模型库内的人脸特征模型对比识别。

基于深度学习的人脸识别的方法，步骤如下：

步骤一：所述摄像机摄取图像信号传递给图像采集卡；所述图像采集卡内将图像信号转换为数字图像信号；所述图像采集卡将数字图像信号传递给人脸检测模块；所述人脸检测模块内采用adaboost算法和卷积神经网络算法检测数字图像中的人脸数字图像；若所述人脸检测模块检测到人脸数字图像，则传递给深度学习训练模块或特征提取模块；若所述人脸检测模块没有检测到人脸数字图像，则所述控制单元控制显示屏显示“没有检测到人脸信息”；

步骤二：所述深度学习训练模块采用卷积神经网络算法对人脸数字图像训练获取卷积神经网络模型；所述特征提取模块从深度学习训练模块获取卷积神经网络模型、从人脸检测模块获取人脸数字图像；所述特征提取模块采用卷积神经网络模型对人脸数字图像特征提取获取人脸特征模型或人脸特征矢量；

步骤三：所述人脸特征模型存储到人脸特征模型库；所述人脸特征矢量传输到匹配识别模块；所述匹配识别模块通过人脸特征矢量与人脸特征模型库中的人脸特征模型对比确定识别结果。

优选地，所述卷积神经网络算法采用cnn前向传播算法；所述cnn前向传播算法如下：

所述输入层：输入一个所述人脸数字图像、cnn模型层数l和所有隐藏层的类型；所述卷基层定义卷积核的大小k、卷积核子矩阵的维度f、填充大小p、步幅s；所述池化层定义池化区域大小k和池化标准；所述全连接层定义激活函数和各层的神经元个数；

所述输出层：所述cnn模型的输出值为a^l；

a、根据所述输入层的填充大小p，填充人脸数字图像的边缘得到输入张量a^l；

b、初始化所有所述隐藏层的参数w、b；

c、forl＝2tol-1：

(1)如果第一层是所述卷基层，侧输出为

a^l＝σ(z^l)＝σ(a^l-1*w^l+b^l)；

(2)如果第一层是所述池化层，侧输出为

a^l＝pool(a^l-1)(pool指按照所述池化区域大小k和所述池化标准将输入张量缩小的过程)；

(3)如果第一层是所述全连接层，则输出为

a^l＝σ(z^l)＝σ(w^la^l-1+b^l)；

(4)对于所述输出层第l层：

a^l＝σ(z^l)＝σ(w^la^l_1+b^l)；

其中，上标代表层数、w表示卷积核、b代表偏倚、σ为激活函数relu。

本发明具有以下有益效果：

本发明通过深度学习训练模块训练得到卷积神经网络模型，实现了卷及神经网络模型对人脸识别过程中的特征提取，解决了现有人脸识别正确率和效率低的问题。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的基于深度学习的人脸识别系统结构示意图。

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为基于深度学习的人脸识别系统，包括图像采集模块、人脸识别模块；图像采集模块包括图像采集卡；图像采集卡与摄像机电性连接；人脸识别模块包括控制单元；控制单元分别与人脸检测模块、深度学习训练模块、特征提取模块、匹配识别模块、存储单元、显示屏电性连接；存储单元分别与深度学习训练模块、特征提取模块、匹配识别模块电性连接；特征提取模块分别与人脸检测模块、深度学习训练模块、匹配识别模块电性连接；存储单元内设有人脸特征模型库；人脸识别模块与图像采集模块电性连接。

其中，摄像机摄取图像信号传递给图像采集卡；图像采集卡内图像信号转换为数字图像信号；图像采集卡与人脸检测模块通过pci总线传输数字图像信号。

其中，人脸检测模块内采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。

其中，深度学习训练模块获取人脸数字图像；深度学习训练模块采用卷积神经网络算法对人脸数字图像训练获取卷积神经网络模型；卷积神经网络模型包括输入层、一卷积层+relu激活函数、一池化层、全连接层、输出层；输入层与卷积层间、卷积层与池化层间、池化层与全连接层间均设有隐藏层。

其中，特征提取模块获取卷积神经网络训练模型；特征提取模块采用卷积神经网络模型对人脸数字图像特征提取得到人脸特征模型或人脸特征矢量；人脸特征模型存储在人脸特征模型库内。

其中，匹配识别模块获取人脸特征矢量；匹配识别模块根据人脸特征矢量与人脸特征模型库内的人脸特征模型对比识别。

基于深度学习的人脸识别系统的方法，步骤如下：

步骤一：摄像机摄取图像信号传递给图像采集卡；图像采集卡内将图像信号转换为数字图像信号；图像采集卡将数字图像信号传递给人脸检测模块；人脸检测模块内采用adaboost算法和卷积神经网络算法检测数字图像中的人脸数字图像；若人脸检测模块检测到人脸数字图像，则传递给深度学习训练模块或特征提取模块；若人脸检测模块没有检测到人脸数字图像，则控制单元控制显示屏显示“没有检测到人脸信息”；

步骤二：深度学习训练模块采用卷积神经网络算法对人脸数字图像训练获取卷积神经网络模型；特征提取模块从深度学习训练模块获取卷积神经网络模型、从人脸检测模块获取人脸数字图像；特征提取模块采用卷积神经网络模型对人脸数字图像特征提取获取人脸特征模型或人脸特征矢量；

步骤三：人脸特征模型存储到人脸特征模型库；人脸特征矢量传输到匹配识别模块；匹配识别模块通过人脸特征矢量与人脸特征模型库中的人脸特征模型对比确定识别结果。

其中，卷积神经网络算法采用cnn前向传播算法；cnn前向传播算法如下：

输入层：输入一个人脸数字图像、cnn模型层数l和所有隐藏层的类型；卷基层定义卷积核的大小k、卷积核子矩阵的维度f、填充大小p、步幅s；池化层定义池化区域大小k和池化标准；全连接层定义激活函数和各层的神经元个数；

输出层：cnn模型的输出值为a^l；

b、根据输入层的填充大小p，填充人脸数字图像的边缘得到输入张量a^l；

b、初始化所有隐藏层的参数w、b；

c、forl＝2tol-1：

(1)如果第一层是卷基层，侧输出为

a^l＝σ(z^l)＝σ(a^l-1*w^l+b^l)；

(2)如果第一层是池化层，侧输出为

a^l＝pool(a^l-1)(pool指按照池化区域大小k和池化标准将输入张量缩小的过程)；

(3)如果第一层是全连接层，则输出为

a^l＝σ(z^l)＝σ(w^la^l-1+b^l)；

(4)对于输出层第l层：

a^l＝σ(z^l)＝σ(w^la^l_1+b^l)；

其中，上标代表层数、w表示卷积核、b代表偏倚、σ为激活函数relu。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是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一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘或光盘等。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。