[发明专利]一种基于卷积神经网络的人脸识别方法及装置

说明书

本说明书实施例公开了一种基于卷积神经网络的人脸识别方法及装置。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。本方案采用基于TensorFlow的卷积神经网络，可以充分利用有限的数据提高卷积神经网络的性能。

技术领域

本申请涉及人脸识别技术领域，尤其涉及一种基于卷积神经网络的人脸识别方法及装置。

背景技术

基于神经网络的人脸识别系统是一个纯数据驱动的方法，直接从图像的像素数据中学习它的表示，让系统自己一层一层的去学习图像不同级别的人脸特征，以获取姿势、照明等不同条件下的鲁棒性。随着神经网络结构的不断优化以及海量数据的支持，已经可以比较好的缓解这些问题。

目前，在某些人脸数据库上，结构良好的卷积神经网络可以达到非常高的识别率，甚至被认为已经超过了人类。对于卷积神经网络而言，人脸识别系统的识别精度很大程度上取决于数据集的规模及其覆盖的成像条件。然而，人脸数据的采集需要消耗大量人力及时间成本，虽然有很多人脸数据库都包含了大量的已标注图片，但单个类别的人脸图片数量却严重不足。因此如何充分利用有限的数据对卷积神经网络的性能而言显得尤为重要。

发明内容

有鉴于此，本申请实施例提供了一种基于卷积神经网络的人脸识别方法及装置，充分利用有限的数据提高卷积神经网络的性能。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种基于卷积神经网络的人脸识别方法，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。

可选的，所述第一人脸数据库为CMU Multi-PIE人脸数据库。

可选的，所述第二人脸数据库为MIT人脸数据库。

可选的，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。

可选的，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。

可选的，所述卷积层的卷积核的大小设定为3*3。

可选的，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。

可选的，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。

可选的，采用最大池化方法对所述卷积神经网路进行训练。

本说明书实施例提供的一种基于卷积神经网络的人脸识别装置，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；