[发明专利]轻量级人脸识别方法、系统、计算机设备及存储介质

说明书

本发明公开了一种轻量级人脸识别方法、系统、计算机设备及存储介质，所述方法包括：利用人脸检测网络对人脸进行检测，得到人脸图像特征，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征，所述特征提取网络包括十二个堆叠层；将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。本发明在保持较高的识别速度的同时能够兼顾较好的特征提取。

技术领域

本发明涉及一种轻量级人脸识别方法、系统、计算机设备及存储介质，属于深度学习和图像处理领域。

背景技术

人脸识别，是基于人的特征信息进行身份识别的一种生物识别技术，用摄像机或摄像头采集人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

人脸识别的流程主要分为三部分：人脸检测、人脸特征提取和人脸特征比对。其中人脸检测用于获取图像中的人脸位置信息，从而对人脸进行截取，目前主流的方法有CascadeCNN通过级联架构来训练一个具有高精度区分能力的卷积神经网络；UnitBox引入一种新的交并比损失函数，实现了高效率的人脸检测效果；CMS-RCNN将Faster RCNN构架运用到人脸检测中，实现对图像上下文信息的分析。人脸特征提取是人脸识别技术中最为重要的一步，直接关系到最后的识别效果，目前主流的人脸特征提取向量维数有128维和512维，提取方法有ArcFace利用新的损失函数，直接在角度空间(angular space)中最大化分类界限，CosineFace利用修改Softmax后的损失函数在余弦空间中最大化分类界限，SphereFace移除倒数第二层(一般为全连接层)的激活函数，使模型学习到的特征分布不被限制在第一象限，学习到的特征分布更加合理，其中运用的主构架网络包括VGG16、ResNet和DenseNet等。人脸特征比对是将上一步提取的特征与数据库特征进行比对，最后得到对比结果，目前运用在人脸识别中最广泛的方法有欧几里得距离对比法和特征向量余弦距离对比法。

近年来，由于深度学习技术的不断进步，产生了众多高效的人脸识别算法，使得人脸识别的准确率相比过去有了极大的提高，促使人脸识别技术在教育、安防和零售等领域得到普及。

发明内容

有鉴于此，本发明提供了一种轻量级人脸识别方法、系统、计算机设备及存储介质，其在保持较高的识别速度的同时能够兼顾较好的特征提取。

本发明的第一个目的在于提供一种轻量级人脸识别方法。

本发明的第二个目的在于提供一种轻量级人脸识别系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种轻量级人脸识别方法，所述方法包括：

利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；

利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；

将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。

进一步的，所述五个深度可分离卷积层分别为第一深度可分离卷积层、第二深度可分离卷积层、第三深度可分离卷积层、第四深度可分离卷积层和第五深度可分离卷积层，所述三个Inception块分别为第一Inception块、第二Inception块和第三Inception块；