[发明专利]一种基于并行分支神经网络的多尺度人脸识别方法

说明书

本发明公开一种基于并行分支神经网络的多尺度人脸识别方法，能够在输入任意图片后，端到端地输出识别的人脸，具体包括以下步骤：步骤一、训练人脸检测网络，为生成人脸图片输入人脸识别网络进行识别做准备；步骤二、将未标注的原始数据集图片输入步骤一得到的人脸检测网络，检测到人脸图片并进行预处理；步骤三、将步骤二得到的图片标注好所有人的名字，输入人脸识别网络进行训练；步骤四、将训练收敛的人脸识别网络的全部参数固定，不再进行任何变化，得到最终的人脸识别网络，和步骤一得到的人脸检测网络组合并最终形成端到端的人脸识别网络。

技术领域

本发明涉及人工智能方向深度学习领域，主要关于一种有并行分支结构的神经网络检测和多尺度识别人脸的方法。

背景技术

随着计算机技术的发展，计算机视觉领域取得了巨大进展，视频监控越来越智能化，智能视频监控系统的一个重要任务是对视频图像中的人脸进行检测、识别等。目标的正确检测与识别是视频监控的前提，其效果会影响后续的跟踪分析等操作。

传统的人脸识别方法有很多，最常用的是SVM分类器、KNN聚类。SVM是最大化分类间隔的线性分类器，把线性不可分的数据投射到高维空间使其线性可分，然后以人为给出的线性函数为依据，寻找一个最大边缘距离的分类线(面)来完成对数据的分类。但其依赖工程人员的经验，设置的参数对最终结果有决定性影响且难以解决多分类问题。KNN是将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。但其计算量大且对数据的容错性差、准确率低。

近年深度学习算法的迅猛发展使其在计算机视觉领域全面超过传统的识别算法，且端到端的方式便利了不同知识背景的人进行操作。故目前主流采用深度学习神经网络的方法进行人脸检测与识别。但这些算法大多存在着网络过深、结构复杂、参数量巨大且耗时长的问题。检测识别准确率与计算开销之间存在矛盾。

发明内容

本方法通过在现有的深度学习算法上进行改进，利用轻量级的网络解决常见的神经网络结构复杂臃肿、参数庞大冗余的问题。提出了一种并行分支的神经网络结构，同时区别于现有的神经网络人脸识别算法，不再用某一层网络的特征做分类依据，而是用多尺度特征学习到更丰富的人脸特征来提高准确率。另外，图片预处理对齐图片、灰度化，进一步控制计算开销，以较小的计算代价获得较理想的人脸识别准确率。

本发明的目的是通过以下技术方案实现的：

一种基于并行分支神经网络的多尺度人脸识别方法，能够在输入任意图片后，端到端地输出识别的人脸，具体包括以下步骤：

步骤一、训练人脸检测网络，为生成人脸图片输入人脸识别网络进行识别做准备；具体分为以下几部分：

步骤101：对训练数据集图片进行标注，包括用矩形框完整包围人脸并标记人脸的五个点位置：左眼、右眼、鼻子、左嘴角、右嘴角；

步骤102：以轻量级网络即MobileNet网络作为人脸检测网络，将标注后图片输入进行训练；

步骤103：将训练收敛后的人脸检测网络固定所有参数，得到最终的人脸检测网络，为检测出人脸输入人脸识别网络做准备；

步骤二、将未标注的原始数据集图片输入步骤一得到的人脸检测网络，检测到人脸图片并进行预处理；

步骤三、将步骤二得到的图片标注好所有人的名字，输入人脸识别网络进行训练；

步骤四、将训练收敛的人脸识别网络的全部参数固定，不再进行任何变化，得到最终的人脸识别网络，和步骤一得到的人脸检测网络组合并最终形成端到端的人脸识别网络。

进一步的，步骤二具体包括以下步骤

步骤201：将原始数据集图片输入步骤一得到的人脸检测网络，检测到人脸图片后裁剪保存；