[发明专利]基于深度卷积神经网络的人脸识别方法及系统

说明书

本发明公开了一种基于深度卷积神经网络的人脸识别方法及系统，该方法包括：检测裁剪步骤，接收人脸照片，获得面部关键特征点的坐标，以及，基于预设裁剪规则，根据所述面部关键特征点的坐标确定截剪边界；特征提取步骤，基于人脸深度识别模型的主干网络，根据所述裁剪图片，获取固定通道数的人脸特征向量；身份识别步骤，匹配所述人脸特征向量，根据相似度获取所述人脸特征向量相应的身份识别信息；年龄识别步骤，根据所述人脸特征向量，基于多个年龄分类的年龄识别模型，获得识别年龄。本发明可提高识别处理速度，提高人脸及年龄的识别准确性，通过复用人脸识别模型，节省了人力物力。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种基于深度卷积神经网络的人脸识别方法及系统。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。随着其技术的成熟和社会认同度的提高，人脸识别被广泛应用在各种领域。

人脸年龄识别作为人脸识别的子系统，通常把年龄的计算放在移动设备上，考虑其硬件的计算性能，采用的是非深度学习的机制，准确率较差，同时，在具体应用时，年龄预测会通常会等待基于深度学习的人脸的识别结果一起返回，也会加大反馈结果的延时。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度卷积神经网络的人脸识别方法，能够提高人脸年龄识别的准确性。

本发明还提出一种具有上述基于深度卷积神经网络的人脸识别方法的基于深度卷积神经网络的人脸识别系统。

根据本发明的第一方面实施例的基于深度卷积神经网络的人脸识别方法，包括：检测裁剪步骤，接收人脸照片，检测所述人脸照片中的面部特征，获得面部关键特征点的坐标，以及，基于预设裁剪规则，根据所述面部关键特征点的坐标确定截剪边界，获得裁剪图片，其中所述裁剪图片包括所述面部识别区域及围绕所述面部识别区域的边缘区域；特征提取步骤，基于人脸深度识别模型的主干网络，根据所述裁剪图片，获取固定通道数的人脸特征向量；身份识别步骤，匹配所述人脸特征向量，根据相似度获取所述人脸特征向量相应的身份识别信息；年龄识别步骤，根据所述人脸特征向量，基于多个年龄分类的年龄识别模型，获得识别年龄。

根据本发明实施例的基于深度卷积神经网络的人脸识别方法，至少具有如下有益效果：通过对人脸照片进行裁剪处理，固定规格的裁剪图片可提高识别处理速度，边缘区域的保留可提高人脸及年龄的识别准确性；通过复用人脸识别模型，获取人脸识别中处理的人脸特征向量，提高了年龄识别的精度，无需重复构建深度年龄识别学习模型，节省了人力物力。

根据本发明的一些实施例，所述检测裁剪步骤包括：关键点提取步骤，根据所述人脸照片进行多尺度变化，构建图像金字塔，在所述图像金字塔中构建多个候选框，对所述候选框进行过滤，筛选出存在人脸区域的所述候选框，生成面部识别区域，获得面部关键特征点的坐标；图片裁剪步骤，根据所述面部关键特征点的坐标，按预设裁剪规则对所述人脸照片进行裁剪，其中所述预设裁剪规则中包括所述裁剪图片的大小及所述裁剪图片中的所述面部识别区域与裁剪边框的距离。

根据本发明的一些实施例，所述裁剪图片的分辨率大小为112×112，其中所述面部识别区域与裁剪边框的距离为16。

根据本发明的一些实施例，所述年龄识别步骤包括：将所述人脸特征向量作为输入数据，根据所述年龄识别模型，得到所述年龄识别模型的每个所述年龄分类对应的概率；根据所述年龄分类及所述概率，得出所述识别年龄。

根据本发明的一些实施例，所述所述人脸特征向量的固定通道数为512维。