一种基于深度学习的实时人脸识别方法及系统的制作方法
【技术领域】
[0001]本发明涉及一种基于深度学习的实时人脸识别方法及系统。
【背景技术】
[0002]人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流进行判断。首先判断是否存在人脸，如果存在，则进一步给出人脸所在的位置，大小。并根据这些信息进一步提取出人脸的特征信息，最后将其与已知的人脸对比，从而识别每个人脸的身份。
[0003]人脸识别技术的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的进步得到快速发展，90年代后期一些商业性的人脸识别系统逐渐进入市场。近年来，社会安全信息备受关注，信息检索，视频监控，移动支付以及各种娱乐应用等的飞速发展进一步推动了人脸识别技术的需求。现有的人脸识别系统大多在用户配合，采集条件比较理想的情况下可以取得令人满意的结果。但是，如果用户不配合，采集条件不理想(如光照不均匀，阴阳脸，分辨率低等)，有各种遮挡的情况下，识别率将大大降低。在技术上主要有以下不足。
[0004]缺陷和不足:
[0005]1:光照变化问题
[0006]识别率容易受到光照的影响，如强光下，昏暗的环境下，阴阳脸等
[0007]2:遮挡问题
[0008]—般意义的人脸上，可能存在眼镜，胡须，配饰等，这些对识别有很大的影响。
[0009]3:特征提取方法
[0010]特征提取准确与否直接决定着识别精度，传统的特征提取方法需要人为选择，并且不断尝试适合的特征提取算法。采用深度学习算法进行特征提取，可以避免人为干涉，通过机器的自身学习寻找最优特征。但其也存在海量样本库，训练周期长，对设备配置要求高等缺点。
[0011]4:计算量大，速度慢
[0012]通常情况下，最后的识别步骤都是提取当前测试样本的特征，与已知样本的特征作比对，得到一个相似度，取相似度最高的样本作为测试结果。但通常情况下，这些特征的维度都非常高，计算量非常大，影响了实时性。
【发明内容】
[0013]本发明针对上述问题，提供一种基于深度学习的实时人脸识别方法及系统。
[0014]本发明之一是这样实现的:一种基于深度学习的实时人脸识别方法，包括如下步骤:
[0015]步骤1、从整张图像中获取人脸图像；
[0016]步骤2、定位出人脸图像中的人脸特征点；
[0017]步骤3、通过人脸特征点进行人脸对齐处理，得到处理图片；
[0018]步骤4、从得到的处理图片获取人脸特征信息；
[0019]步骤5、将人脸特征信息进行比对，从人脸库中得到相似的人脸结果。
[0020]进一步地，所述步骤I进一步具体为:将整张图像进行人脸检测，若存在人脸，则裁剪人脸，对裁剪后的人脸进行直方图规定化操作，获取人脸图像；否则结束。
[0021]进一步地，所述步骤2进一步具体为:通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点。
[0022]进一步地，所述步骤3进一步具体为:利用人脸特征点，将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束，将人脸校正到同一标准姿态，得到对齐后的处理图片。
[0023]进一步地，所述步骤4进一步具体为:将得到的处理图片通过级联PCA方法来提取特征信息，之后将该特征信息进行白化主成分分析降维处理，得到降维后紧凑的人脸特征
?目息O
[0024]进一步地，所述步骤5进一步具体为:
[0025]将人脸库划分成N个子库，对每个子库中的人脸图像进行训练，得到人脸训练特征信息；输入待识别的人脸特征信息，并将其与每个子库中的每个人物的人脸平均特征信息一一比较，取每个子库中前M个匹配的人物出来，最后从取出结果中再取出前K个匹配人物，该K个人物为识别人脸结果的前K个候选人。
[0026]进一步地，所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物，每个人物有F张训练样本图像，首先对每个子库中的每个人物的每张训练样本图像进行定位，得到人脸图像中的人脸特征点；通过人脸特征点进行人脸对齐处理，得到处理图片；将得到的处理图片通过级联PCA方法来提取特征信息，之后将该特征信息进行白化主成分分析降维处理，并对每个人物的F张降维后的信息求平均，得到人脸平均特征信息。
[0027]本发明之二是这样实现的:一种基于深度学习的实时人脸识别系统，包括如下模块:
[0028]获取图像模块，从整张图像中获取人脸图像；
[0029]定位特征点模块，定位出人脸图像中的人脸特征点；
[0030]人脸对齐模块，通过人脸特征点进行人脸对齐处理，得到处理图片；
[0031]特征信息提取模块，从得到的处理图片获取人脸特征信息；
[0032]比较识别模块，将人脸特征信息进行比对，从人脸库中得到相似的人脸结果。
[0033]进一步地，所述获取图像模块进一步具体为:将整张图像进行人脸检测，若存在人脸，则裁剪人脸，对裁剪后的人脸进行直方图规定化操作，获取人脸图像；否则结束。
[0034]进一步地，所述定位特征点模块进一步具体为:通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点。
[0035]进一步地，所述人脸对齐模块块进一步具体为:利用人脸特征点，将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束，将人脸校正到同一标准姿态，得到对齐后的处理图片。
[0036]进一步地，所述特征信息提取模块进一步具体为:将得到的处理图片通过级联PCA方法来提取特征信息，之后将该特征信息进行白化主成分分析降维处理，得到降维后紧凑的人脸特征信息。
[0037]进一步地，所述比较识别模块进一步具体为:
[0038]将人脸库划分成N个子库，对每个子库中的人脸图像进行训练，得到人脸训练特征信息；输入待识别的人脸特征信息，并将其与每个子库中的每个人物的人脸平均特征信息一一比较，取每个子库中前M个匹配的人物出来，最后从取出结果中再取出前K个匹配人物，该K个人物为识别人脸结果的前K个候选人。
[0039]进一步地，所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物，每个人物有F张训练样本图像，首先对每个子库中的每个人物的每张训练样本图像进行定位，得到人脸图像中的人脸特征点；通过人脸特征点进行人脸对齐处理，得到处理图片；将得到的处理图片通过级联PCA方法来提取特征信息，之后将该特征信息进行白化主成分分析降维处理，并对每个人物的F张降维后的信息求平均，得到人脸平均特征信息。
[0040]本发明具有如下优点:一种基于深度学习的实时人脸识别方法及系统，可以对大规模的人脸库进行搜索(目前大概为3000个类别)，采用并行化处理，速度快，精度高；可以对视频或者图像进行实时人脸检测，关键特征点定位，人脸识别，对视频中检测出的人脸进行触摸点击可进行人脸识别，筛选出与库中登记的人匹配度最高的前k个候选人。
【附图说明】
[0041]下面参照附图结合实施例对本发明作进一步的说明。
[0042]图1为本发明方法执行流程图。
【具体实施方式】
[0043]如图1所示，本发明基于深度学习的实时人脸识别方法，包括如下步骤:
[0044]步骤1、将整张图像进行人脸检测，若存在人脸，则裁剪人脸，对裁剪后的人脸进行直方图规定化操作，获取人脸图像；否则结束；
[0045]步骤2、通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点；
[0046]步骤3、利用人脸特征点，将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束，将人脸校正到同一标准姿态，得到对齐后的处理图片；
[0047]步骤4、将得到的处理图片通过级联PCA方法来提取特征信息，之后将该特征信息进行白化主成分分析降维处理，得到降维后紧凑的人脸特征信息；
[0048]步骤5、将人脸库划分成N个子库，对每个子库中的人脸图像进行训练，得到人脸训练特征信息；输入待识别的人脸特征信息，并将其与每个子库中的每个人物的人脸平均特征信息一一比较，取每个子库中前M个匹配的人物出来，最后从取出结果中再取出前K个匹配人物，该K个人物为识别人脸结果的前K个候选人；所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物，每个人物有F张训练样本图像，首先对每个子库中的每个人物的每张训练样本图像进行定位，得到人脸图像中的人脸特征点；通过人脸特征点进行人脸对齐处理，得到处理图片；将得到的处理图片通过级联PCA方法来提取特征信息，之后将该特征信息进行白化主成分分析降维处理，并对每个人物的F张降维后的信息求平均，得到人脸平均特征信息。
[0049]本发明基于深度学习的实时人脸识别系统，包括如下模块:
[0050]获取图像模块，将整张图像进行人脸检测，若存在人脸，则裁剪人脸，对裁剪后的人脸进行直方图规定化操作，获取人脸图像；否则结束；
[0051 ] 定位特征点模块，通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点；
[0052]人脸对齐模块，利用人脸特征点，将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束，将人脸校正到同一标准姿态，得到对齐后的处理图片；
[0053]特征信息提取模块，将得到的处理图片通过级联PCA方法来提取特征信息，之后将该特征信息进行白化主成分分析降维处理，得到降维后紧凑的人脸特征信息；
[0054]比较识别模块，将人脸库划分成N个子库，对每个子库中的人脸图像进行训练，得到人脸训练特