[发明专利]基于神经网络的轻量级的人脸识别方法

说明书

本发明公开了一种基于神经网络的轻量级的人脸识别方法，属于人脸识别技术领域。为了解决现有的基于深度学习的人脸识别系统中存在的模型过大，速度慢等技术问题，本发明通过对人脸特征提取网络的优化，压缩了人脸识别处理中所涉及的深度神经网络模型的大小，在损失较少或极少系统精度的前提下，加快人脸识别处理速度。本发明的轻量级的识别方法可部署在小型移动终端比如树莓派，单片机等小型设备上，可应用于门禁管理系统，超市会员注册管理系统，考生身份验证管理系统中。

技术领域

本发明属于人脸识别技术领域，具体涉及一种基于神经网络的人脸识别轻量级实现方法。

背景技术

人脸识别是基于生物特征的识别方式，利用人类自身拥有的，并且能够唯一标示其身份的生理特征或行为特征进行身份验证的技术。随着人机交互，智能城市概念的提出，人脸识别技术具有非常重要的意义。作为模式识别与机器学习领域的主要研究方法之一，已经有大量的人脸识别算法被提出。

近年来，深度神经网络在图像分类和识别领域取得了许多实质性进展，并且在手写数字识别，车牌识别，人脸检测领域展现了其优异的性能，取得了极好的识别效果。

然而，基于深度神经网络实现的人脸识别系统具有模型过于庞大，内部参数过多的缺点，这些权重参数会消耗大量的计算和存储资源，一些常用的用于人脸识别的深度神经网络，其模型往往都超过几百兆，这使得其很难部署到移动设备上。

发明内容

本发明的发明目的在于：针对现有的基于深度学习的人脸识别系统中存在的模型过大，速度慢等技术问题，本发提供了一种基于神经网络的轻量级的人脸识别方法，可以在基本不损失系统精度的前提下，尽可能压缩模型大小，加快人脸识别速度。

本发明的基于神经网络的轻量级的人脸识别方法包括下列步骤：

构建人脸检测器步骤：

以深度神经卷积网络模型作为人脸检测网络模型，包括人脸特征提取网络、全连接层和非极大值抑制层；训练所述人脸检测网络模型时，对所述人脸特征提取网络模型进行第一轻量化处理；将训练好的人脸检测网络模型作为轻量化人脸检测器；其中，第一轻量化处理包括模型参数剪枝和模型参数量化；即对人脸特征提取网络进行模型参数量化，对全连接层进行模型参数剪枝；

构建面部特征提取器步骤：

以深度神经卷积网络模型作为面部特征提取网络模型，并对其进行深度学习训练，训练时，对所述面部特征提取网络模型进行第二轻量化处理；将训练好的面部特征提取网络模型作为轻量化面部特征提取器；其中，第二轻量化处理包括模型参数量化；

构建人脸识别数据库步骤：

将同一人不同角度的照片进行尺度归一化处理后，再输入轻量化面部特征提取器，得到对应的面部特征向量并存入人脸识别数据库；其中归一化后的尺寸与轻量化面部特征提取器的输入相匹配；

人脸区域检测步骤：

对待识别的图像进行尺寸归一化处理后，输入轻量化人脸检测器，从待识别的图像中检测出人脸的存在，并分离出人脸区域图像；其中归一化后的尺寸与轻量化人脸检测器的输入相匹配；

人脸识别处理步骤：

对人脸区域检测步骤得到的人脸区域图像进行归一化处理后，输入轻量化面部特征提取器，得到待识别的面部特征向量；其中归一化后的尺寸与轻量化面部特征提取器的输入相匹配；

再将待识别的面部特征向量与人脸识别数据库中的面部特征向量进行比较，取距离最近的比较结果作为人脸识别结果；

所述模型参数剪枝和模型参数量化，具体方式为：

(a)模型参数剪枝：