[发明专利]一种基于参数共享的卷积神经网络人脸识别方法及系统

权利要求书

1.一种基于参数共享的卷积神经网络人脸识别方法，其特征在于，包括：

获取人脸图像训练样本；

根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型；

获取待识别的人脸图像；

根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征；

根据所述人脸特征对所述人脸图像进行人脸识别。

2.如权利要求1所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述人脸图像训练样本包括每个人的至少一张人脸样本图像；

在所述根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型之前，还包括：

调整每张人脸样本图像的大小和方位，使所有人脸样本图像中的人脸对齐。

3.如权利要求1所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述卷积神经网络模型包括权值共享模块、子网络模块和连接模块；所述子网络模块包括结构互不相同的第一分支和第二分支；

所述根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型，具体包括：

根据所述人脸图像训练样本依次训练所述权值共享模块和所述第一分支的参数以及所述第二分支的参数；

对整个模型的参数进行微调，完成所述卷积神经网络模型的训练。

4.如权利要求3所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述根据所述人脸图像训练样本依次训练所述权值共享模块和所述第一分支的参数以及所述第二分支的参数，具体包括：

将所述人脸图像训练样本输入所述权值共享模块，并固定所述第二分支的参数，根据softmaxloss评价函数对所述权值共享模块和所述第一分支的参数进行反向更新，直到所述卷积神经网络模型收敛；

固定所述权值共享模块和所述第一分支的参数，根据softmaxloss评价函数对所述第二分支的参数进行反向更新，直到所述卷积神经网络模型收敛。

5.如权利要求3所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述对整个模型的参数进行微调，完成所述卷积神经网络模型的训练，具体包括：

根据softmaxloss评价函数和centerloss评价函数对整个模型的参数进行微调，直到所述卷积神经网络模型收敛，完成所述卷积神经网络模型的训练。

6.如权利要求2所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，在所述根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征之前还包括：

调整待识别的人脸图像的大小和方位，使所述人脸图像中的人脸与所述人脸样本图像的人脸对齐。

7.如权利要求3所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征，具体包括：

将待识别的人脸图像输入至所述权值共享模块提取人脸的浅层特征，使所述第一分支和所述第二分支共用所述浅层特征；

通过所述第一分支和所述第二分支分别提取人脸的高层特征；

通过所述连接模块获取所述第一分支和所述第二分支所提取的特征，输出最终的人脸特征。

8.如权利要求1所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述根据所述人脸特征对所述人脸图像进行人脸识别，具体包括：

分别计算所述人脸特征与数据库中存储的每个人脸信息的相似度；

若计算的最高相似度大于预设阈值，则将所述人脸图像识别为所述最高相似度所对应的人脸。

9.如权利要求8所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述基于参数共享的卷积神经网络人脸识别方法还包括：

若计算的最高相似度小于预设阈值，则将所述人脸图像判定为陌生人脸图像，以采集所述陌生人脸图像的人脸信息存储到数据库中。

10.一种基于参数共享的卷积神经网络人脸识别系统，其特征在于，所述系统能够应用如权利要求1至9任一项所述的基于参数共享的卷积神经网络人脸识别方法，所述系统包括：

样本获取模块，用于获取人脸图像训练样本；

模型训练模块，用于根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型；

图像获取模块，用于获取待识别的人脸图像；

提取模块，用于根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征；以及，

识别模块，用于根据所述人脸特征对所述人脸图像进行人脸识别。