[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

说明书

本发明公开了一种轻量级深度学习的智慧营业厅人脸识别方法，包括如下步骤：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；人脸识别模型设计；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，最终得到性能良好的人脸识别模型；模型测试。本发明解决了传统营业厅业务办理模式，通过基于深度学习的人脸识别模式，可以通过分析用户消费信息，主动为用户提供潜在业务推荐，实现客户的精准营销，同时智能地为客户提供业务办理引导，极大地改善了用户体验及业务办理人员工作效率；在保证模型识别精度的情况下，大大降低模型规模，实现了移动端的人脸识别。

技术领域

本发明涉及一种轻量级深度学习的智慧营业厅人脸识别方法，属于深度学习、机器学习和人脸识别领域。

背景技术

随着深度学习技术的发展，人工智能浪潮也对人们的衣食住行产生了很大的影响，如自动驾驶、智能巡检机器人、智能客服等，技术的发展带来了生活的便利，大大减少了人工工作量。中国移动营业厅每天会有大量的客流量，并且每个用户需要办理的业务不尽相同，此外，用户在不清楚每个窗口办理的业务的情况下会随机选择一个窗口进行排队，如果该窗口不能办理该业务，则需要重新去其它窗口进行排队，这样就造成了用户时间的大量浪费，降低了客户体验。如果每个窗口的每个工作人员都可以办理所有业务，这样虽然减少了客户等待时间，但是对业务办理人员的要求就大大提高，如果业务人员不能非常清楚所有的业务办理流程，则可能出现业务办理出错的情况，同样会给用户带来不好的体验。因此营业厅按照特定窗口办理专项业务，同时由导航员根据客户需求引导到指定窗口是一种有效的模式，但是过大的客流量会给引导员带来繁重琐碎的任务。因此可以由“智能导航员”完成该工作。“智能导航员”可以通过人脸识别技术识别顾客身份，如果顾客未在数据库中，则引导客户至新业务办理窗口；如果顾客在数据库中，则根据客户的消费数据分析客户潜在需求，并予以推荐，如果推荐业务未在客户需求范围内，则可由客户说出需求，采用语音识别技术分析并推荐客户至相关窗口。“智能导航员”涉及多种人工智能技术，其中人脸识别是重要的组成之一。

人脸识别属于生物识别技术，是通过人的脸部特征信息来实现身份识别。人脸识别算法一般分为四类：基于子空间的方法、基于几何特征的方法、基于稀疏表示的方法、基于传统机器学习的方法以及基于深度学习的方法。基于子空间的方法是把高维的人脸图像数据通过一定的方式映射到一个地位的子空间进行识别，该方法实现了数据的降维，减少了计算量，而且还可以消除遮挡、姿势、光照等因素的变化带来的影响，提高了识别效率，例如Eigenface方法和Fisherface方法。基于几何特征的方法则是提取人脸上的关键点如眉、眼、鼻子和嘴巴等，因此根据这些关键点的分布以及关键点的几何距离作为特征进行识别，如Kanade算法，该方法思想直观、识别速度快，但是该方法忽略了一些细节信息，所以算法的精度不高。基于稀疏表示的方法假设人脸图像可由数据库中的图像经过线性组合进行表示，组合权值为稀疏向量，如Wright算法，但是该方法需要输入严格对齐，因此使用效果不佳。基于传统机器学习的人脸识别方法有很多，包括隐马尔可夫模型、神经网络、Adaboost以及支持向量机等，但是这些方法对人脸特征提取的要求较高，提取特征的好坏直接影响识别的精度。基于深度学习的人脸识别方法则是采用深度卷积神经网络代替手工设计特征进行特征提取，自动从输入图像中学习特征，这些特征体现了数据的真实分布，有效地提高了图像分类的性能，随着深度学习的发展，深度卷积神经网络在人脸识别领域也取得了最好的效果，其采用深度网络在大规模数据集上自动学习人脸特征，然后根据特征进行人脸识别，如DeepID、FaceNet等，虽然深度学习网络在测试集上取得了很高的精度，但是深度学习网络模型一般会有规模庞大的参数，深度学习在运行时需要占据很大的计算和存储资源，而移动端的存储能力和计算能力都是非常有限的，因此很难直接把PC端的深度学习模型应用到移动端。因此，构建高精度、小规模、低延迟的网络模型对于移动终端和嵌入式设备来说非常重要而又迫在眉睫。

发明内容

本发明提供一种轻量级深度学习的智慧营业厅人脸识别方法，实现了在移动端快速、高性能的人脸识别，参数、计算量小。