[发明专利]一种基于卷积神经网络的人脸识别方法及装置在审
| 申请号： | 202011093963.2 | 申请日： | 2020-10-14 |
| 公开（公告）号： | CN112364698A | 公开（公告）日： | 2021-02-12 |
| 发明（设计）人： | 刘帅开;裴彦杰;苏威积;郭晓霞 | 申请（专利权）人： | 北京计算机技术及应用研究所 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 100854*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 卷积 神经网络 识别 方法 装置 | ||
1.一种基于卷积神经网络的人脸识别方法，其特征在于，所述方法包括：
采用第一人脸数据库对基于TensorFlow的卷积神经网络进行训练，得到第一人脸识别模型；
采用第二人脸数据库对所述第一人脸识别模型进行测试，根据测试结果对所述第一人脸识别模型进行修正，得到第二人脸识别模型；
采用所述第二人脸识别模型进行人脸识别。
2.如权利要求1所述的方法，其特征在于，所述第一人脸数据库为CMU Multi-PIE人脸数据库。
3.如权利要求1所述的方法，其特征在于，所述第二人脸数据库为MIT人脸数据库。
4.如权利要求1所述的方法，其特征在于，所述采用第一人脸数据库对基于TensorFlow的卷积神经网络进行训练，具体包括：
将CMU Multi-PIE人脸数据集输入卷积神经网络中，使用前向传递和误差反向传导的方法来训练网络获得深度特征，并对网络进行微调。
5.如权利要求1所述的方法，其特征在于，所述卷积神经网络为八层，其中，第一层、第三层和第五层分别为卷积层，第二层、第四层和第六层为池化层，第七层为全连接层，第八层为输出层。
6.如权利要求5所述的方法，其特征在于，所述卷积层的卷积核的大小设定为3*3。
7.如权利要求5所述的方法，其特征在于，所述卷积层的的激活函数为ReLU函数，所述全连接层的激活函数为Sigmoid函数。
8.如权利要求5所述的方法，其特征在于，所述卷积神经网络的训练的学习率为0.01，损失函数为交叉熵，优化器为Adam。
9.如权利要求1或5所述的方法，其特征在于，采用最大池化方法对所述卷积神经网路进行训练。
10.一种基于卷积神经网络的人脸识别装置，其特征在于，所述装置包括：
模型训练模块，用于采用第一人脸数据库对基于TensorFlow的卷积神经网络进行训练，得到第一人脸识别模型；
模型测试模块，用于采用第二人脸数据库对所述第一人脸识别模型进行测试，根据测试结果对所述第一人脸识别模型进行修正，得到第二人脸识别模型；
人脸识别模块，用于采用所述第二人脸识别模型进行人脸识别。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京计算机技术及应用研究所，未经北京计算机技术及应用研究所许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202011093963.2/1.html，转载请声明来源钻瓜专利网。
