[发明专利]人脸识别方法

说明书

人脸识别方法，其中，采用基于深度学习的人脸识别算法，来对图像中的人脸区域进行人脸识别，包括：确定卷积神经网络的结构；根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并；根据所述合并的结果，来计算向下一层卷积神经网络传递时的移位和偏移量的量化结果。本发明将诸如ResNet类、GoogLeNet类或Inception‑ResNet类的高精度的卷积神经网络算法在保持原有分类、检测准确率的情况下，量化到一个低精度的数据来表示，从而将高精度的卷积神经网络部署在诸如智能手机、智能摄像头等边缘设备上，提高了在边缘端上进行人脸检测的性能。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种人脸识别方法。

背景技术

通过深度学习能够获得人脸检测的结果，是实现人脸识别的基础。具体的，现有技术中，实现人脸检测的方法包括：使用手机，智能摄像头将外界信息采集送入到硬件的处理单元，通过深度学习方法获得人脸检测的结果，然后将结果送入到深度学习人脸识别的算法中，进行人脸识别，最终的结果是在一副图像或者视频中，用方框框上人脸的位置和大小，并在上面标出人脸的名字。

关于其中的深度学习，目前卷积神经网络在物体分类，人脸/人形检测，人脸识别，图像分割上都取得了相当高的准确度，但是如果想把卷积神经网络算法应用到边缘端上，比如智能手机、智能摄像头等，会由于模型的高精度数据表示和算法所占用的储存空间面临速度，功耗等问题。

因此，亟需一种能够在手机，智能摄像头等边缘端上实现的人脸检测方法。

目前公认的成功并流行的卷积神经网络结构有如下几种，AlexNet，VGG，ResNet和GoogLeNet类。

其中，AlexNet是较早的卷积神经网络，它首先是5个卷积层，后面连接着3个全连层。

VGG对比于AlexNet的改进是采用多个连续的3x3卷积核来代替掉AlexNet中的较大的卷积核(11x11,5x5)。

ResNet的出现，可以让我们去训练更加深的网络，在VGG的基础上，出现了短路连接插入形成残差网络的新结构。

GoogLeNet基于深度学习网络中大部分的输出的激活值是冗余的，设计了一种称为Inception的模块，这个模块使用密集的小尺寸卷积核来近似稀疏的CNN。

现有技术中的深度学习网络架构的偏移量的量化算法都是针对于AlexNet，VGG结构的偏移量的量化算法。

发明内容

本发明解决的技术问题是：如何在智能手机、智能摄像头等边缘端上实现高性能的人脸检测。

为了解决上述技术问题，本发明实施例提供一种人脸识别方法，包括：

获得待识别的图像；

通过人脸检测手段，来检测图像中的人脸区域；

从人脸区域中提取人脸表征；

采用基于深度学习的人脸识别算法，来对图像中的人脸区域进行人脸识别；

其中，所述采用基于深度学习的人脸识别算法，来对图像中的人脸区域进行人脸识别包括：

确定卷积神经网络的结构；

根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；

根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并；

根据所述合并的结果，来计算向下一层卷积神经网络传递时的移位和偏移量的量化结果。