[发明专利]一种基于IMobileNet的人脸快速识别方法

说明书

本发明公开了一种基于IMobileNet的人脸快速识别方法，首先，选择人脸图像数据库并对人脸图像进行预处理，预处理包括：人脸矫正、图像尺度变换、图像像素归一化；其次利用轻量级神经网络IMobileNet搭建人脸分类器网络；然后，将经过预处理的图片样本输入到搭建的网络中进行训练；最后，保存训练模型，将网络中softmax层的前一层作为人脸的特征向量，并利用特征向量进行人脸识别。本发明利用设计的轻量级神经网络提取人脸特征向量，降低了网络的参数和所需计算量，使其便于在资源受限的移动设备中部署。

技术领域

本发明涉及一种基于IMobileNet的人脸快速识别方法，属于人脸识别技术领域。

背景技术

近些年来，由于深度学习算法的高效与高精确度，使得其愈来愈多地被用在人脸识别中。Facebook在2014年提出了DeepFace模型，利用多个卷积层模型相连，最后加入全连接层的方式进行训练，在LFW数据集中取得了97.53％的准确率。Sun等人通过重建VGG网络和GoogLeNet网络，得到了DeepID3 net1与DeepID3 net2网络，在LFW数据集的准确率均超过了99％。Deng等人设计的ArcFace，通过加入角余量损失，改进softmax分类模型，在YouTube人脸数据库中，取得92.59％的准确率。2015年，Google发布了FaceNet模型，它通过引入三元组模型进行人脸验证、识别与训练，在YouTube人脸数据库中测试，准确率达到了95.12％。

随着人脸识别技术的不断发展，一些技术难题仍然亟待解决：1.神经网络的复杂程度与算法检测速度的冲突。一般来说，卷积层的层数越多，对于图像的特征提取就越准确，人脸识别精度就会增加，但是复杂的卷积层结构对于资源受限设备的计算力有很大考验。2.算法模型大小与算法精度无法同时保证。在进行人脸特征提取时，通过增加卷积层通道数，神经网络采集到的特征也随之增加，但是这样做会导致训练出来的模型过大，使得硬件的内存消耗严重。

发明内容

发明目的：本发明提出一种基于IMobileNet(即轻量级神经网络)的人脸快速识别方法，该方法在保证人脸识别精度的同时，使用了轻量化网络减少网络参数，以提高人脸识别的速度。

技术方案：本发明的一种基于IMobileNet的人脸快速识别方法，该方法包括如下步骤：

1)选择人脸图像数据库并对人脸图像进行预处理，预处理包括：人脸对齐、图像尺度变换、图像像素归一化；

(2)利用轻量级神经网络IMobileNet搭建人脸分类器网络；

(3)将步骤(1)中经过预处理的图片样本输入到步骤(2)中搭建的网络中进行训练；

(4)保存训练模型，将网络中softmax层的前一层作为人脸的特征向量，并利用特征向量进行人脸识别。

进一步地，步骤(1)所述人脸数据库为CASIA-WebFace，人脸图像预处理包含以下步骤：

(11)利用MTCNN人脸检测框架检测输入图像的5个人脸特征坐标；

(12)利用5个人脸特征坐标进行人脸对齐，使得每个人脸图像的眼睛处于同一水平线上，每个人脸图像的鼻尖处于同一垂直线上；

(13)将人脸对齐后的图片缩放至128*128大小，并将图像进行标准化处理，即将图片的像素值转化为服从高斯分布的零均值、单位方差的像素值。