[发明专利]人脸识别系统及方法

说明书

本发明公开了人脸识别系统及方法，该人脸识别系统包括人脸获取模块、人脸特征抽取模块、人脸识别模块以及人脸索引模块；所述人脸获取模块用于获取待识别者的人脸图像；所述人脸特征抽取模块用于从所述人脸图像中提取待识别者的人脸特征数据；所述人脸识别模块用于将所述待识别者的人脸特征数据与所述人脸索引模块存储的已知身份的样本数据进行相似度匹配；所述人脸特征抽取模块是以轻量级神经网络为基础，将GDConv Block替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络，使得神经网络更深，泛化能力更强，鲁棒性更好，能在保证准确率的基础上，快速的提取待识别者的人脸特征数据，进而快速且准确的识别待识别者的身份。

技术领域

本发明涉及人脸识别领域，尤其涉及人脸识别系统及方法。

背景技术

人脸识别技术是一个非常重要的身份授权技术，近年以来，该技术越来越多的在基于ARM(Advanced RISC Machines，一个32位元精简指令集处理器架构)芯片的移动设备和嵌入式设备中得到应用，如设备解锁、应用登录、移动支付等等。一些移动设备、嵌入式设备已经配置了人脸识别技术，比如智能手机解锁、高铁站入口闸机、社区人脸门禁，这些都必须离线运行。为了在有限的计算资源上获得更好的用户体验，人脸识别的模型需要在这些设备上进行本地化部署，这就对模型的精度和性能有了更高的要求。现在的高精度人脸识别的算法模型都是基于深度神经网络实现的，并且一般采用的都是网络层次非常深、非常大的卷积神经网络，这种大的卷积神经网络模型对计算资源的要求非常高，并不适合在大多数的移动端和嵌入式设备上使用。

基于ARM的深度学习端侧推理引擎也应运而生，如NCNN(腾讯开源的手机端极致优化的高性能神经网络前向计算框架),TVM(一种用于深度学习系统的编译器堆栈)、MNN(阿里正式开源的轻量级深度学习端侧推理引擎)等。腾讯的NCNN就是一个极致优化的高性能神经网络前向计算框架，NCNN使得神经网络模型能够很方便的在移动端、嵌入式设备中进行部署和使用，无第三方依赖，跨平台，在移动终端和嵌入式设备上cpu(centralprocessing unit，中央处理器)的速度快于目前所有已知的开源框架。不断涌现出来的优秀的神经网络端侧推理引擎也从一个层面反映出了前端设备对于AI(ArtificialIntelligence，人工智能)的巨大需求，深度学习在移动设备、嵌入式设备上的应用将越来越广泛，前端设备智能化是一个极其重大的趋势，自动驾驶、智能制造、智慧城市、智慧社区等等都需要更多的前端设备能够实现一定程度的智能化。基于ARM的端侧推理引擎使得人脸识别算法能够更轻松、更流畅在移动终端、嵌入式设备中应用，神经网络算法能够轻松的在前端设备上部署，并且大幅提升算法的执行性能。

对于大规模高维数据的检索，通常利用基于哈希的索引，或者基于划分或支撑点的度量空间索引方法构建高维特征空间索引，从而实现高速数据的快速检索。人脸识别需要在高维的人脸特征数据底库中进行匹配，当底库比较小时，采用线性遍历的方式基本能满足需求，一旦底库增大，线性遍历的方式进行匹配就显得相当耗时。因此，在保证人脸识别精确度的同时，如何更快的识别出待识别者的身份已成为本领域技术人员亟待解决的技术问题。

发明内容

本发明提供了人脸识别系统及方法，用以解决现有的人脸识别系统识别速度慢的技术问题。

为解决上述技术问题，本发明提出的技术方案为：