[发明专利]基于深度学习模型的跨年龄式人脸识别系统

权利要求书

1.基于深度学习模型的跨年龄式人脸识别系统，其特征在于：包括视频输入设备和数据存储和后台处理设备，将视频输入设备与数据存储和后台处理设备连接；该系统识别方法包括以下步骤：

第一步：基于视频输入设备的数据收集阶段：当目标人员出现在视频输入设备前时，视频输入设备将会把人脸图像传输到数据存储和后台处理设备中，进而准备下一步操作；

第二步：基于Retinaface的人脸检测阶段：将视频输入设备视频中的人脸数据传入到Retinaface中，Retinaface中特征金字塔网络提取人脸数据的特征并输出，SSH网络对输出的特征层加强特征提取，然后从特征中获取到预测结果，最后采用非极大抑制去除预测结果中冗余的预测框，对预测结果进行调整修正，最后截选出需要的待识别人脸数据；

第三步：对待识别人脸数据预处理：对待识别人脸数据清洗和数据一致化，最终排除不符合标准的人脸数据；

第四步：将预处理后的待识别人脸数据输入至网络模型中，通过预先训练的网络模型实现待检测人脸的跨年龄人脸识别。

2.根据权利要求1所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：预处理的具体过程为：

清洗：将待识别人脸数据中的不符合规范的数据进行选择性删除或修复；

数据一致化：将数据中心化和归一化，即通过平移和缩放对数据进行一致化处理，去除数据的单位限制。

3.根据权利要求2所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：第四步的具体过程为：通过预先训练的网络模型将待识别人脸数据与后台跨年龄人脸数据库中数据进行对比，根据网络模型计算出的待识别人脸数据的特征向量和后台人脸数据的特征向量进行相似度计算，得到相似度差值；设定阈值，若所有的相似度差值都高于设定的阈值，则无法识别出该待识别人脸数据，若有相似度差值小于设定的阈值，则筛选出最小的相似度差值对应的后台人脸数据，待识别人脸数据与该后台人脸数据匹配，完成人脸识别。

4.根据权利要求3所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：网络模型选用Resnet-50网络模型，且对Resnet-50网络模型进行了改进，将原有的首个7*7卷积层替换为3*3卷积层，并增加了通道注意力机制和空间注意力机制，选用Arcface loss作为损失函数，将每个类之间的特征距离拉大且增大类内相似性。

5.根据权利要求3或4所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：包括以下步骤：Resnet-50网络模型的训练使用自制数据集，且将自制数据集按3：7的比例分为测试集和训练集。

6.根据权利要求3或4所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：后台跨年龄人脸数据库中包括不同年龄段的人脸数据。