1. 基于深度卷积神经网络模型的大规模人脸识别方法,其特征在于,采用基于残差学习的深度卷积神经网络模型,具体包括3个步骤:预处理图片、训练深度卷积神经网络模型、面向大规模人脸识别:
步骤1、预处理图片
(1)检测图片中的人脸;
(2)检测人脸中的5个关键点:两眼、鼻尖、两边嘴角;
(3)进行人脸对齐操作;
(4)将人脸图片大小归一化;
步骤2、训练深度卷积神经网络模型
(1)搭建基于残差学习的深度卷积神经网络模型;
(2)前向传播计算损失误差;
(3)反向传播损失误差更新模型参数;
(4)获得训练好的深度卷积神经网络模型;
步骤3、大规模人脸识别
(1)测试图片通过深度卷积神经网络模型;
(2)提取特征向量;
(3)利用特征向量进行相似度计算;
(4)输出识别结果。
2.根据权利要求1所述的大规模人脸识别方法,其特征在于,步骤2中所述基于残差学习的深度卷积神经网络模型,具体如下:
模型由卷积层、下采样层、残差层以及全连接层组成,其中,残差层由两路数据:一路是若干个卷积层级联的数据和一路原始数据相加求和构成;并且网络结构中每一个卷积层之后都做批量归一化操作;
具体的网络模型从输入层I开始,依次经过卷积层C1,卷积层C2,下采样层P1,残差层R1_1,残差层R1_2,残差层R1_3,卷积层C3,下采样层P2,残差层R2_1,残差层R2_2,残差层R2_3,残差层R2_4,卷积层C4,下采样层P3,残差层R3_1,残差层R3_2,残差层R3_3,残差层R3_4,残差层R3_5,残差层R3_6,卷积层C5,下采样层P4,残差层R4_1,残差层R4_2,残差层R4_3,最后到全连接层F1;
然后用10575个人的49万张图片作为训练数据,分批次输入搭建好的网络模型。
3.根据权利要求1或2所述的大规模人脸识别方法,其特征在于,步骤3所述面大规模人脸识别,具体操作如下:
(1)将一百万张人脸图片作为测试数据,依次输入训练好的网络模型;
(2)取网络模型中全连接层的1024个参数作为人脸图片的特征向量;
(3)利用特征向量进行相似度计算;
(4)输出识别结果。