[发明专利]人脸识别方法

说明书

本发明提供了一种人脸识别方法，包括以下步骤：步骤S1：从公共数据集获取人脸训练测试资源；步骤S2：对图像进行预处理。步骤S3：将处理后的人脸数据集输入由我们改进后的NVM模块的新型网络结构的卷积神经网络得到训练完成的轻量化卷积神经网络。步骤S4：将测试集中的人脸图像输入到训练好的轻量化卷积神经网络模型中，判断识别是否准确验证该轻量化模型是否能有效对人脸数据集进行分类。

技术领域

本发明涉及一种人脸识别方法。

背景技术

5G时代来临，随着物联网，大数据的技术逐步走向成熟，信息传输速率不断加快，智能终端能在生活中帮助我们的范围也在越来越宽。其中智能识别，智能分类，智能运算运用最为广泛。而图像，视频的智能识别更是成为了我们生活中不可缺少的一部分.

面部识别作为捕捉人类活动的重要信息来源，推动了人脸识别技术的发展。在日常生活中越来越得到广泛的应用，例如，商业人脸支付系统、执法系统等应用。随之出现了很多人脸模式识别的方法，例如：主成分分析(PCA)、线性判别分析(LDA)后向传播神经网络(BPNN)和卷积神经网络(CNN)等。近年，卷积神经网络在大规模视觉识别挑战赛(ILSV RC)上不断地刷新了ImageNet数据集的识别记录，

介于卷积神经网络对目标图片识别率高的特点，将其应用到人脸识别当中。创造基于轻量化卷积神经网络的人脸识别方法，进而为人脸的正确识别提供有效的帮助，人脸数据姿态多种多样，使得在模型训练过程中需要非常多的人脸数据，通常我们先建立好人脸图像的训练集，在使用深度学习方法利用模型对大量的人脸数据进行训练，生产训练好的模型，随后构建新的图像验证集对模型进行验证得到最终的分类识别结果。但是而由于神经网络的特性，为了获得更高的准确率，我们不断的在增加其网络的深度和复杂度，其内部的参数数量，非线性映射也越来越庞大，因此也许很深的网络结构在竞赛和数据体现上会有很好的运算结果，但在实际应用中往往会受限于终端的存储空间，运算能力，计算速度等。

但是在日常人脸识别算法中我们往往要在毫秒中获得学习结果，而这些设备往往处理器性能有限，也不能像在实验室里花大量时间训练运算。因此大大限制了卷积神经网络在人脸识别的实用性。

发明内容

本发明的目的在于提供一种人脸识别方法。

为解决上述问题，本发明提供一种人脸识别方法，包括：

从公共数据集获取人脸训练测试资源；

从所述人脸训练测试资源中获取人脸图像，对获取的人脸图像进行预处理或者数据扩充，得到人脸数据集；

将所述人脸数据集输入由NVM模块构成的卷积神经网络得到训练完成的轻量化卷积神经网络；

将测试集中的人脸图像输入到训练好的轻量化卷积神经网络模型中，以得到输出结果，对所述输出结果进行对比分析。

进一步的，在上述方法中，所述公用数据集包括PubFig、4.Multi-Task FacialLandmark dataset或ORL人脸数据集。

进一步的，在上述方法中，对获取的人脸图像进行预处理或者数据扩充，包括：

对获取的人脸图像进行放大或者缩小。

进一步的，在上述方法中，对获取的人脸图像进行预处理或者数据扩充，包括：

对获取的人脸图像进行平移。

进一步的，在上述方法中，对获取的人脸图像进行预处理或者数据扩充，包括：

对获取的人脸图像进行放射变化。

进一步的，在上述方法中，将所述人脸数据集输入由NVM模块构成的卷积神经网络得到训练完成的轻量化卷积神经网络之前，还包括：