[发明专利]噪声环境下的轻量级人脸识别系统及识别方法

说明书

本发明提供了一种噪声环境下的轻量级人脸识别系统及识别方法，属于计算机人脸识别技术领域，首先，输入噪声图片，使用3×3卷积核提取特征，然后添加去噪块，对卷积层提取到的特征进行特征去噪，然后使用深度可分离卷积，以及十层瓶颈结构，最后通过1×1卷积和线性全局深度可分离卷积得到输出特征。本发明提出了可以方便的与任何卷积神经网络结构相结合的有效独立的去噪声模块‑‑LD‑MobileFaceNet；在去噪操作中，采用非局部均值去噪方法提高了MobileFaceNet的性能，提高了噪声环境下的人脸识别准确率；移除了网络中部分的瓶颈层，使系统更加轻量化，在噪声数据集上实现了更好的鲁棒性；非线性激活函数swish代替PReLU，弥补了识别精度的损失，保证了不同噪声等级下的识别准确率。

技术领域

本发明涉及计算机人脸识别技术领域，具体涉及一种噪声环境下的轻量级人脸识别系统及识别方法。

背景技术

现今，人脸识别已经被广泛的应用于人脸登录、移动支付、身份认证等领域。这些应用场景往往要求很高的准确率，然而，由于遮挡、光照、噪声等复杂环境的干扰，人脸识别仍然面对很大的挑战。随着人工智能的发展，深度学习在人脸识别研究上有了重大突破，基于卷积神经网络的一些高性能的方法被提出。

如，DeepFace在带标签的野生人脸数据集(Labeled Faces in the Wild Home，LFW)上达到了很高的准确率。三元组损失(Triplet loss)的出现让人脸识别的研究有了进一步的发展，它考虑了匹配对与非匹配对之间距离的相对差异，能提取到更好的特征。角裕度损失(ArcFace Loss)利用arc-cos函数，添加一个附加的角边缘，得到目标，从而在归一化超球面上实现角度与圆弧的精确对应。

上述基于卷积神经网络的识别方法都为人脸识别提供了更有区别性的特征，但是也存在一些实际的问题。基于深度学习的深度神经网络具有大量的参数和层数，占用很大的内存空间。

如，DeepFace与经典的图像分类任务相比较，人脸具有很强的相似性，简单的特征不能准确的区分人脸，需要设计适当的损失函数来提高识别能力。ArcFace(LResNet100E-IR)网络的模型大小达到250兆。在实际的人脸识别应用中，经常会在移动端和嵌入式设备上使用，由于内存和计算资源的限制，这种大型的人脸识别网络难以得到广泛的应用。

因此，轻量级的卷积神经网络便应运而生。例如，MobileNetV1，MobileNetV2，这些小型网络被广泛的应用于工程及工业生产中。MoileNetV2模型使用深度可分卷积、反向残差和线性瓶颈等结构设计，实现了一个高效、更轻量级的模型。MobileFaceNet采用了ArcFace Loss损失函数，并改进MobileNetV2算法，使人脸识别速度提高了两倍以上，同时，在LFW数据集的精度达到了99.55％。

然而，上述基于轻量级的卷积神经网络的实时人脸识别经常会面临复杂的背景，如噪声、遮挡和对比度不足等问题，这些问题均会影响人脸识别网络模型在实际中的应用。为了更广泛的应用网络模型到我们的实际生活中，在复杂多变的环境中，提高算法的鲁棒性是不可或缺的。常用的提高算法的鲁棒性的方法一是加入去噪网络，二是在图像预处理阶段，去除图像噪声，清洗数据。如，使用端到端的去噪网络，输出清晰的图像，这种方法增加了大量的参数，让网络结构更加复杂。但是在图像预处理阶段使用，在实时的人脸识别中是不适用的。

发明内容

本发明的目的在于提供一种噪声环境下的轻量级人脸识别系统及识别方法，以解决上述背景技术中存在的技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种噪声环境下的轻量级人脸识别系统，包括：

图像采集模块，用于采集待识别的原始人脸图像；

特征提取模块，用于提取采集到的原始人脸图像的识别特征；