本发明涉及人脸识别技术领域,具体而言,本发明涉及一种基于神经网络的人脸识别方法和装置。
背景技术:
人脸识别技术是一种基于生物特征的识别方式,人脸是人的重要信息,人脸特征具有唯一性,且不可被复制。是区分不同的人的重要依据,与指纹、虹膜、声音识别等传统的识别方式相比,因为它通过摄像头进行样本采集,该过程不需要任何直接的接触,因而具有简单、快捷的优点;而人类通常都是依据人的面部信息将彼此识别出来,因而它还具有直观性;人脸识别技术在诸多领域都有广泛的应用,而人脸识别技术中的人脸特征提取及模式识别是近年来基于生物特征研究的热点之一。
随着人脸识别技术的进一步成熟和社会认同度的提高,人脸识别技术将应用在更多的领域。比如企业、住宅安全和管理、人脸识别门禁考勤系统,人脸识别防盗门等。从经济效益上看,生物特征识别技术近几年来以平均每年以20%至30%的速度增长,其中,人脸识别技术更是增幅高达80%,因此对于人脸识别技术的开发便变得极为的重要和迫切,能否提供更好、更加稳定的算法,然后在此基础上进行产品和技术的革新也成为当今人脸识别技术市场的一个重要的任务。然而现有技术中的人脸识别方法和装置普遍存在识别精度低的问题。
技术实现要素:
本发明的目的旨在至少能解决上述的技术缺陷之一,特别是识别精度低的技术缺陷。
本发明提供一种基于神经网络的人脸识别方法,包括:
通过第一人脸数据集训练面部属性分类器;
根据所述面部属性分类器获取人脸属性标记;
将所述人脸属性标记输入至神经网络架构模型,预测人脸属性特征并进行人脸识别。
在其中一个实施例中,所述神经网络架构模型包括5层卷积层、4层最大池化层、8层构建块以及2层全连接层。
在其中一个实施例中,所述构建快包括快速模型构建快和全模型构建快,所述快速模型构建快包括2层卷积层,所述全模型构建快包括3层卷积层。
在其中一个实施例中,所述预测人脸属性特征的过程包括:将所述面部属性分类器应用于第二人脸数据集,将所述第二人脸数据集作为所述神经网络架构模型的训练数据,以票选的方式调整人脸属性特征的预测结果。
在其中一个实施例中,所述第一人脸数据集为celeba数据集,所述第二人脸数据集为caisia-webface数据集。
本发明还提供一种基于神经网络的人脸识别装置,其特征在于,包括:
训练模块,用于通过第一人脸数据集训练面部属性分类器;
获取模块,用于根据所述面部属性分类器获取人脸属性标记;
识别模块,用于将所述人脸属性标记输入至神经网络架构模型,预测人脸属性特征并进行人脸识别。
在其中一个实施例中,所述神经网络架构模型包括5层卷积层、4层最大池化层、8层构建块以及2层全连接层。
在其中一个实施例中,所述构建快包括快速模型构建快和全模型构建快,所述快速模型构建快包括2层卷积层,所述全模型构建快包括3层卷积层。
在其中一个实施例中,所述预测人脸属性特征的过程包括:将所述面部属性分类器应用于第二人脸数据集,将所述第二人脸数据集作为所述神经网络架构模型的训练数据,以票选的方式调整人脸属性特征的预测结果。
在其中一个实施例中,所述第一人脸数据集为celeba数据集,所述第二人脸数据集为caisia-webface数据集。
本发明的有益效果:本发明公开的基于神经网络的人脸识别方法和装置,通过第一人脸数据集训练面部属性分类器;根据所述面部属性分类器获取人脸属性标记;将所述人脸属性标记输入至神经网络架构模型,预测人脸属性特征并进行人脸识别。基于人脸面部属性进行识别,避免了人脸图片的头部姿态改变,摄像头角度不同,光线遮挡等条件的影响。可以使人脸识别变得更加高效、准确,且提高了识别速度。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本实施例的基于神经网络的人脸识别方法流程图;
图2为本实施例的基于神经网络的人脸识别装置模块图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
以下描述的终端通知的方法和装置,可以应用于移动终端,例如应用于手机、平板电脑,总之是具有通信功能的终端,在以下说明中以终端为例子。
图1为本实施例的基于神经网络的人脸识别方法流程图。
本发明提供一种基于神经网络的人脸识别方法,包括如下步骤:
步骤s100:通过第一人脸数据集训练面部属性分类器。
首先获取第一人脸数据集,获取所述第一人脸数据集中每个图像样本的有效区域图像,抽取所述每个有效人脸区域图像的纹理特征,根据所述训练图像样本集中所有图像样本的有效区域图像的纹理特征,建立多种面部属性分类器。所述第一人脸数据集为celeba数据集,可以分为眼睛、鼻子、全局等类别,每个类别下包含多种属性特征,如眼睛分为窄眼和宽眼等。特别的,还可以通过采用现成的cnn人脸识别特征提供给向量机(分类器来预测人脸属性或引进一种复合目标优化网络,将人脸属性直接用于建造面部特征分类器。
步骤s200:根据所述面部属性分类器获取人脸属性标记。
上述步骤s100使用celeba数据集训练面部属性分类器,通过该面部属性分类器可以获取人脸属性标记,使用人脸属性预测算法生成人脸属性标记,该人脸属性标记可用于人脸属性约束深度架构的人脸识别。
步骤s300:将所述人脸属性标记输入至神经网络架构模型,预测人脸属性特征并进行人脸识别。
将获取的人脸属性标记、收集的训练图片,还以及相对应的面部特征作为神经网络架构模型的输入,最终输出人脸属性特征以及人脸识别结果。所述神经网络架构模型包括5层卷积层、4层最大池化层、8层构建块以及2层全连接层。结构为依次为2层卷积层、1层最大池化层、2层构建块、1层卷积层、1层最大池化层、2层构建块、1层卷积层、1层最大池化层、2层构建块、1层卷积层、1层最大池化层、2层构建块、2层全连接层。所述构建快包括快速模型构建快和全模型构建快,其中所述快速模型构建快包括2层卷积层,所述全模型构建快包括3层卷积层。
进一步的,所述预测人脸属性特征的过程包括:将所述面部属性分类器应用于第二人脸数据集,将所述第二人脸数据集作为所述神经网络架构模型的训练数据,以票选的方式调整人脸属性特征的预测结果。例如,在一个数据集中包含了15张李小龙的脸:如果14张图片被预测为男性,而只有一张被预测为女性,那么多数投票会用男性属性来限制所有李小龙的图片。这样的多数投票方式从本质上修正了分类异常值以及偏远的预测。所述第二人脸数据集为caisia-webface数据集。
图2为本实施例的基于神经网络的人脸识别装置模块图。
本发明还提供一种基于神经网络的人脸识别装置,其特征在于,包括:
训练模块100,用于通过第一人脸数据集训练面部属性分类器。
首先训练模块100获取第一人脸数据集,获取所述第一人脸数据集中每个图像样本的有效区域图像,训练模块100抽取所述每个有效人脸区域图像的纹理特征,根据所述训练图像样本集中所有图像样本的有效区域图像的纹理特征,建立多种面部属性分类器。所述第一人脸数据集为celeba数据集,可以分为眼睛、鼻子、全局等类别,每个类别下包含多种属性特征,如眼睛分为窄眼和宽眼等。特别的,还可以通过采用现成的cnn人脸识别特征提供给向量机(分类器来预测人脸属性或引进一种复合目标优化网络,将人脸属性直接用于建造面部特征分类器。
获取模块200,用于根据所述面部属性分类器获取人脸属性标记。
上述训练模块100使用celeba数据集训练面部属性分类器,通过该面部属性分类器可以获取人脸属性标记,使用人脸属性预测算法生成人脸属性标记,该人脸属性标记可用于人脸属性约束深度架构的人脸识别。
识别模块300,用于将所述人脸属性标记输入至神经网络架构模型,预测人脸属性特征并进行人脸识别。
识别模块300将获取的人脸属性标记、收集的训练图片,以及相对应的面部特征作为神经网络架构模型的输入,最终输出人脸属性特征以及人脸识别结果。所述神经网络架构模型包括5层卷积层、4层最大池化层、8层构建块以及2层全连接层。结构为依次为2层卷积层、1层最大池化层、2层构建块、1层卷积层、1层最大池化层、2层构建块、1层卷积层、1层最大池化层、2层构建块、1层卷积层、1层最大池化层、2层构建块、2层全连接层。所述构建快包括快速模型构建快和全模型构建快,其中所述快速模型构建快包括2层卷积层,所述全模型构建快包括3层卷积层。
进一步的,所述识别模块300预测人脸属性特征的过程包括:将所述面部属性分类器应用于第二人脸数据集,将所述第二人脸数据集作为所述神经网络架构模型的训练数据,以票选的方式调整人脸属性特征的预测结果。例如,在一个数据集中包含了15张李小龙的脸:如果14张图片被预测为男性,而只有一张被预测为女性,那么多数投票会用男性属性来限制所有李小龙的图片。这样的多数投票方式从本质上修正了分类异常值以及偏远的预测。所述第二人脸数据集为caisia-webface数据集。
本发明的有益效果:本发明公开的基于神经网络的人脸识别方法和装置,通过第一人脸数据集训练面部属性分类器;根据所述面部属性分类器获取人脸属性标记;将所述人脸属性标记输入至神经网络架构模型,预测人脸属性特征并进行人脸识别。基于人脸面部属性进行识别,避免了人脸图片的头部姿态改变,摄像头角度不同,光线遮挡等条件的影响。可以使人脸识别变得更加高效、准确,且提高了识别速度。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。