[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

说明书

本发明公开了一种基于参数共享的卷积神经网络人脸识别方法，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。另外，本发明公开了一种基于参数共享的卷积神经网络人脸识别系统。本发明能够在保证人脸识别准确率的同时，减小模型规模，提高运算效率和空间利用率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于参数共享的卷积神经网络人脸识别方法及系统。

背景技术

随着计算机硬件的不断提升，以及大型人脸数据库的获取越来越方便，加上深度学习算法的不断发展，基于深度卷积神经网络的人脸识别方法性能已经越来越高，基于深度学习的人脸识别系统越来越普及。移动支付、门禁系统、员工签到系统、安防系统、VIP客户管理系统等都嵌入了人脸识别算法。

人脸识别通常需要提取人脸特征，然后根据特征计算不同人脸之间的相似度来进行人脸匹配。人脸识别技术从最初的提取人脸几何特征到基于PCA技术的Eigenface以及基于LDA的Fisherface，再到后来的Haar，sift，LBP等特征提取方法，识别准确率不断的提升。虽然如此，这些基于常规机器学习的方法准确率还有待提高，同时基于人工提取特征的方式较为麻烦，而且人工提取的特征也不一定是合适的。直到如DeepFace，DeepID，FaceNet等深度学习人脸识别方法的出现，人脸识别准确率最终超越了人类的极限，而且越来越实用化。

基于深度卷积神经网络的人脸识别算法准确率已经超越人类的识别准确率，但是它仍存在一些弊端。首先，基于深度卷积神经网络的人脸识别算法通常是很深的神经网络，其参数非常多，导致一个深度神经网络模型需要占用非常大的存储空间；其次，由于参数较多，算法运行时必然占用较大的内存；最后，深度卷积神经网络本质上是输入数据与网络参数之间的矩阵运算，网络规模的大小严重影响计算速度，而利用GPU等芯片进行加速虽然可以解决速度问题，但是也增加了硬件成本。

早期比较成功的基于深度神经网络的人脸识别方法如deepid采用25个结构一样的独立神经网络模型提取人脸特征，然后再对25个网络提取的特征进行组合，降维，作为最终的人脸特征进行人脸匹配，这样的模型非常占用资源。在神经网络模型精简方面，VGG提出了一种模块化的卷积神经网络模型，模型中所有的卷积核尺寸都设置为3×3大小，有效减小了网络参数的规模。而google则提出了一系列的网络改进版本，旨在提升网络的表达能力，同时能充分利用存储空间，尽量简化网络，减小模型参数。首先在googlenet中提出了inception layer的概念，然后在后续的版本中逐步使用3×3的卷积核代替更大的卷积核，最后将n×n的卷积核用1×n与n×1的卷积核组合，在保证准确率的同时，降低了模型的参数，减小了计算量，提高了空间利用率。

虽然以上网络结构的调整在一定程度上提高了硬件资源的利用率，但是基于深度神经网络的人脸识别算法模型越来越深，意味着网络参数依然会非常庞大，上述的模型效率问题依然存在。

发明内容

本发明针对现有技术中存在的问题，提供了一种基于参数共享的卷积神经网络人脸识别方法及系统，能够在保证人脸识别准确率的同时，减小模型规模，提高运算效率和空间利用率。

本发明就上述技术问题而提出的技术方案如下：

一方面，本发明提供一种基于参数共享的卷积神经网络人脸识别方法，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。