[发明专利]一种基于深度学习的快速人脸检测识别方法

说明书

本发明公开了一种基于深度学习的快速人脸检测识别方法，该方法包括离线网络搭建部分和在线流程设计部分。对于离线网络搭建部分，本发明设计的网络结构针对不同的尺度人脸分别训练检测器，区别于现有方法中在进行人脸检测时采用单一尺度的模板网络，并采用构建图像金字塔以多任务的方式训练和运行尺度特定的检测器。对于在线流程设计部分，设计使用FIFO的list的数据结构思想建立实时人脸特征缓冲池结构，将过程中最耗时的实时特征提取部分移到整个过程的最前端，以身份证读卡器对于身份证的检测作为触发点，并提出建立结果匹配映射表的方法，在三个方面进行创新，有效节省整个过程的时间，实现快速的人脸检测识别，得出人证是否合一的准确判断。

技术领域

本发明属于数字图像处理方法，特别涉及一种基于深度学习的快速人脸检测识别方法。

背景技术

人脸识别技术的研究从20世纪50年代开始，作为一种重要的生物特征识别技术，与虹膜识别、指纹扫描、掌形扫描等技术相比，人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，具有极其广阔的市场应用前景，一直被研究学者所关注。

自深度学习的概念提出以来，相关的研究便广泛进行，在理论和应用方面都取得了巨大进展。随着大数据时代的到来以及计算机计算能力的不断提升，深度卷积神经网向着具有更多隐含层的复杂的网络结构不断发展，与传统机器学习方法相比，具有更强大的特征学习与表达的能力。使用深度学习算法训练的卷积神经网络模型自提出以来在计算机视觉领域的多个大规模识别任务上取得了令人瞩目的进展，尤其是人脸识别领域。

人脸识别是基于人的脸部特征信息进行身份认证的一种生物识别技术。采集含有人脸的图像或视频流，检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关比对技术，通常也叫做人像识别、面部识别。作为一种重要的生物特征识别技术，人脸识别技术具有直接、友好、方便、交互性好等优点，在安防和金融支付等方面有诸多实际的应用，如视频监控、智能支付、访问控制等，是目前机器学习和模式识别中最热门的研究方向。

人脸相比于其他图像识别的主题，具有高度非刚性的特点，存在着大量体现个体差异的细节信息。人脸识别是通过从静态图像或者动态视频中实时检测出的人脸图像与已存储于数据库中的人脸图像或者是身份证中的人脸图像进行比对，确定被检测人脸的身份信息，通常用于身份识别和鉴定的目的，属于生物特征识别领域。尤其是随着国家对于安全意识的重视提高，利用实时人脸图像与身份证人脸图像进行人证合一身份认证的需求也越来越迫切。

自动人脸识别的经典流程分为三个步骤：人脸检测、面部特征点定位、特征提取与分类器设计。一般而言，狭义的人脸识别指的是特征提取+分类器两部分的方法研究，基于深度学习的人脸识别研究也多集中于这两部分。在深度学习出现以前，人脸识别方法一般分为高维人工特征提取(例如：Local Binary Pattern,Gabor等)和降维两个步骤，代表性的降维方法有主成分分析法(Principal Component Analysis,PCA)，线性判别分析(Linear Discriminant Analysis,LDA)等子空间学习方法和局部保留投影(LocalityPreserving Projection,LPP)等流行学习方法。但是目前这类方法在处理人脸检测识别问题，尤其是现实生活场景中人证合一检测问题时仍然存在人脸质量评价不够科学、检测效果不够好、识别准确率不够高、无法满足实时性等诸多不足之处。

发明内容

本发明的目的在于克服现有技术的不足，同时针对现有方法以及处理速度过慢无法满足实时性的问题，通过采用深度学习的方法，构建快速人脸检测特征提取网络，并基于此网络建立一套完善的人证合一身份认证系统，能够实时地进行人脸采集与身份证图像进行比对，快速得出人证是否合一的结论，实现快速人脸检测识别的目的。