[发明专利]一种轻量级深度学习的智慧营业厅人脸识别方法

权利要求书

1.一种轻量级深度学习的智慧营业厅人脸识别方法，其特征在于：包括如下步骤：

1)数据预处理：在采集的图像中，检测到人脸区域，然后把该区域输入人脸识别网络；

2)人脸识别模型设计：利用人脸识别网络进行人脸特征提取网络设计和人脸识别任务设计；

3)模型训练：学习区分人脸的特征，基于经过数据预处理的人脸训练数据集，通过多次迭代，逐步调整网络的权重参数，得到人脸识别模型；

4)模型测试。

2.如权利要求1所述的轻量级深度学习的智慧营业厅人脸识别方法，其特征在于：步骤1)中，数据预处理包括样本图像的采集和采集图像的预处理，其中，样本图像的采集为：通过各个营业厅安装的摄像头采集图像；在模型训练过程中，样本图像则来源于开源数据集ORL数据集和CASIA-Web Face数据集；采集图像的预处理为：使用MTCNN网络进行人脸检测对齐，并将其大小调整为人脸识别网络输入所需要的大小，输入人脸识别网络。

3.如权利要求1或2所述的轻量级深度学习的智慧营业厅人脸识别方法，其特征在于：步骤2)中，采用轻量级的深度学习网络Mobile Nets来提取人脸特征。

4.如权利要求3所述的轻量级深度学习的智慧营业厅人脸识别方法，其特征在于：Mobile Nets采用可分离的卷积方式进行模型构建，深度可分离卷积把标准卷积层划分成了一个深度卷积和一个1*1卷积，深度卷积每个单输入通道先使用单个卷积核进行卷积，然后采用1*1卷积来融合深度卷积的输出。

5.如权利要求1或2所述的轻量级深度学习的智慧营业厅人脸识别方法，其特征在于：步骤2)中，人脸识别任务设计：人脸识别为1：N人脸识别，通过对比不同损失函数的优劣，选择Triplet Loss损失函数进行模型评价。

6.如权利要求1或2所述的轻量级深度学习的智慧营业厅人脸识别方法，其特征在于：步骤3)中模型训练包括：模型超参数设置和模型训练，其中，模型超参数设置为：通过模型的训练不断调整网络参数来提高人脸识别模型特征提取和分类的性能，根据每个批次样本的训练结果调整网络参数，使得模型最终朝着目标方向进行训练，逐步提高模型的性能；模型训练：在模型初始化参数设置完毕后，就可以把预处理之后的训练数据输入模型进行训练，当模型误差满足预设值或达到最大训练周期时结束训练。

7.如权利要求1或2所述的轻量级深度学习的智慧营业厅人脸识别方法，其特征在于：步骤4：模型测试：模型测试是用测试数据集来验证模型训练结果的优劣，如果训练数据集和测试数据集精确率都达到95％以上，则说明模型已经训练完成，结束本任务；如果训练数据集和测试数据集中任何一个的精确率低于95％，则重复步骤3，直至训练数据集和测试数据集精确率都达到95％以上。