技术领域本发明涉及人脸识别技术领域，尤其是涉及一种基于深度学习的互联网视频人脸识别系统。
背景技术：
人脸识别是在给定的图像或视频中检测定位人脸并识别其身份的技术。人脸识别技术按数据源的不同可以分为基于图像和视频两大类。由于视频采集设备和图像采集设备特性的存在一定的区别，尤其采集的图像的质量通常要高于视频的质量，图像拥有较高的分辨率及清晰度、较低的噪声等，大多数的人脸识别方法是基于图像识别，而无法直接用于较低质量的视频人脸识别中。随着网络和大数据的发展，互联网视频成为了更大的视频数据源，因此基于互联网视频的人脸识别成为了新的重要应用。然而相比传统监控视频，互联网视频存在来源、格式、制作手段、质量多样等特点，这些特点都会极大地影响人脸识别准确率，对人脸识别技术提出了新的挑战。将现有人脸识别技术直接应用到互联网视频中，无法达到满意的识别准确率，由于互联网视频庞大的数据量，对人脸识别算法的速度也提出了更高的要求，很多现有识别方法无法适应新的实时处理应用要求。
技术实现要素：
本发明的目的在于提供一种结构科学合理的基于深度学习的互联网视频人脸识别方法。为实现上述目的，本发明提供如下技术方案：基于深度学习的互联网视频人脸识别方法，包括以下步骤：步骤a、标注人脸数据，从互联网中获取带有人脸的图片，并标出人脸位置框以及该人物的人名，进而建立人脸图像库；步骤b、利用上述步骤a中已标注的人脸数据训练卷积神经网络，该卷积神经网络的输入设定为人脸位置框，其输出设定为人名标签以及该人名标签的置信度，其中该置信度表示上述人脸位置框为该人名标签的概率；步骤c、在互联网视频中利用检测跟踪算法提取人脸轨迹，进而获得互联网视频每帧中人脸出现的位置；步骤d、从上述步骤c中所获得的每帧互联网视频中截取人脸位置框，并将该人脸位置框输入到训练好的卷积神经网络中，且识别出对应的人名及置信度，进而获得人脸轨迹上各帧识别结果集；步骤e、分析上述步骤d中所获得的人脸轨迹上各帧识别结果集并组成相应序列，进而确定该人脸轨迹的人名标签。作为优选的技术方案，所述步骤e中人脸轨迹上各帧识别还包括以下分步骤：分步骤e1：对轨迹中各帧人脸进行质量评价，过滤低质量的帧，仅保留高质量的帧，将这些帧的识别结果用于整体轨迹的识别；分步骤e2：统计经质量评价后保留的各帧的识别结果标签和置信度，在置信度大于阈值Treg的标签中，对同一标签出现的次数进行排序，选出出现次数最多的标签作为整个人脸轨迹的识别结果。作为优选的技术方案，所述质量评价包括人脸框图像清晰度指标、亮度指标、人脸姿态指标、以及人脸表情指标。作为优选的技术方案，所述清晰度指标是指将原人脸图像与3*3模板高斯平滑后的图像求差，并按像素平均，清晰度大于阈值Tclear的图像被保留；所述亮度指标是指人脸图像各像素点的灰度平均值，亮度指标落在区间[Til,Tiu]的图像被保留；所述人脸姿态指标用人脸双眼连线与水平线的夹角来表示，夹角小于阈值Trotate的图像被保留；所述人脸表情指标用双眼和嘴巴的长宽比来表示，双眼和嘴巴的长宽比小于阈值Tlhratio的图像被保留。作为优选的技术方案，经质量过滤后被保留的帧及其人脸标签和标签置信度被用于统计分析，统计轨迹上保留帧中置信度大于阈值Treg的人脸标签，不同标签按出现次数由多到少排序，将排序靠前的标签作为整个人脸轨迹的识别候选结果返回显示。有益效果：针对互联网视频形式、质量多样的特点，本发明结合了基于深度学习的单帧人脸识别和时间序列人脸轨迹分析的框架方法，提高互联网视频中的人脸识别的准确率和速度。深度学习采用深层的卷积神经网络，能够有效地提取人脸特征，提高单帧图像中人脸的识别准确率，同时其采用端到端的识别算法，从输入帧中直接输出人脸类别，减少了传统方法先提取特征再比对特征多步走的计算耗时，这一结构更加适合并行计算，有利于提高识别速度。附图说明图1是本发明实施例1的整体结构立体示意图；图2是本发明实施例1的整体结构平面示意图；具体实施方式下面将结合本发明实施例，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。参照图1所示的一种基于深度学习的互联网视频人脸识别方法，包括以下步骤：步骤a、标注人脸数据，从互联网中获取带有人脸的图片，并标出人脸位置框以及该人物的人名，进而建立人脸图像库；步骤b、利用上述步骤a中已标注的人脸数据训练卷积神经网络，该卷积神经网络的输入设定为人脸位置框，其输出设定为人名标签以及该人名标签的置信度，其中该置信度表示上述人脸位置框为该人名标签的概率，图2所示深层卷积神经网络包括输入层、五组卷积-池化层(每组卷积-池化层包含相连的2个卷积层和1个池化层)、dropout层、全连接层、softmax层。训练结果得到各层最优化的参数，作为卷积神经网络模型用于后续人脸识别。假设给定一些训练样本x及其回归值y：{(x1，y1)，(x2，y2)，...，(xi，yi)，...