[发明专利]一种基于深度学习的复杂场景人脸识别系统

摘要

本发明公开了一种基于深度学习的复杂场景人脸识别系统，涉及人脸识别技术领域；它的识别方法如下：步骤一、基于Faster‑RCNN网络的基础进行改进做人脸检测；步骤二、基于SRGAN网络进行改进做超分辨率重建；步骤三、基于CAPSNET网络进行改进做人脸识别；本发明基于SRGAN网络进行改进，对所采集到的图片进行超分辨率重建，有利于人脸识别；提高识别度，且操作简便，能够节省时间，并且能够准确检测复杂场景的人脸。

主权项

1.一种基于深度学习的复杂场景人脸识别系统，其特征在于：它的识别方法如下：/n步骤一、基于Faster-RCNN网络的基础进行改进做人脸检测：/n在Faster R-CNN的基础上做进一步的改进；第一改进最后的损失函数，在加入中心损失后正负样本比例仍然为1:1，故对每一个mini batch中正负样本的比例限制为1:1，并且每次从正负样本中选出损失值最大的N个样本加入下一次训练；第二个改进是在训练阶段图片会经过不同尺度的缩放；/n步骤二、基于SRGAN网络进行改进做超分辨率重建：/n采用SRGAN的变体形式对输入图像进行超分辨率重建，采取在原有SRGAN判别器的基础上进一步增加特征图的数量，在原有网络的基础上加入快捷连接；由于过深的网络难以训练，因此生成器部分的残差块数量增加一倍；将生成网络和对抗网络的损失函数分开、其中判别网络的损失函数分为两部分，一部分是由真实高分辨率图片训练数据输入判别器判断后的结果与其真实值的交叉熵误差；另一部分由低分辨率图片输入生成器网络中生成的高分辨率图片再输入到判别器的交叉熵；而判别器的整体损失函数就是由这两部分叠加而来的；计算生成器部分的损失函数，然后将两部分损失函数合并到一起，进行损失函数设计；/n步骤三、基于CAPSNET网络进行改进做人脸识别：/n胶囊网络基本单元是Capsule，其网络架构分为6层，第一层是卷积层，第二层为主胶囊层，第三层为数字胶囊层，第四层到第六层分别为3个全连接层；又可以将这6层分为编码器和解码器；其中前三层是编码器，后三层是解码器；为了让胶囊神经网络更适合识别人脸，因此在原有的Capsnet的基础上提出了一种多尺度胶囊神经网络，多尺度胶囊神经网络采用六层网络结构，第一层是标准卷积层，第二层是多尺度胶囊编码单元，第三层是数字胶囊层，第四到第六层为全连接层。/n