一种基于卷积神经网络的人脸识别方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111178187A(43)申请公布日2020.05.19(21)申请号201911300731.7(22)申请日2019.12.17(71)申请人武汉迈集信息科技有限公司地址430000湖北省武汉市东湖新技术开发区大学园路13号-1华中科技大学科技园现代服务业基地1号研发楼B单元三层318-72号(72)发明人邢必果肖晶姜闻(74)专利代理机构武汉红观专利代理事务所(普通合伙)42247代理人李季(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于卷积神经网络的人脸识别方法及装置(57)摘要本发明提出了一种基于卷积神经网络的人脸识别方法及装置。包括：从视频中提取图像帧，根据图像帧获取待识别图像，对待识别图像进行预处理，获取待训练数据；构建卷积神经网络，将待训练数据放入卷积神经网络进行训练，获取待训练数据的特征值；获取本地人脸信息库，通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度，根据待识别相似度，对特征值对应的待识别图像进行识别。本发明通过提取对待识别图像进行预处理，然后通过卷积神经网络以及余弦相似度对待训练数据进行计算，并对待识别图像进行识别，通过这种方式，可以降低后期运算的数据量，同时提高了识别精度，提高了识别效率。CN111178187ACN111178187A权利要求书1/2页1.一种基于卷积神经网络的人脸识别方法，其特征在于：包括以下步骤；S1，从视频中提取图像帧，根据图像帧获取待识别图像，对待识别图像进行预处理，获取待训练数据；S2，构建卷积神经网络，将待训练数据放入卷积神经网络进行训练，获取待训练数据的特征值；S3，获取本地人脸信息库，通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度，根据待识别相似度，对特征值对应的待识别图像进行识别。2.如权利要求1所述的基于卷积神经网络的人脸识别方法，其特征在于：步骤S1中，对待识别图像进行预处理，获取待训练数据，还包括以下步骤，所述预处理包括缩放待识别图像、截取人脸图像、将待识别图像转化为数据中的一种或者几种组合，将待识别图像数据作为待训练数据。3.如权利要求2所述的基于卷积神经网络的人脸识别方法，其特征在于：步骤S2中，构建卷积神经网络，将待训练数据放入卷积神经网络进行训练，获取待训练数据的特征值，还包括以下步骤，构建卷积神经网络的网络结构，所述网络结构包括：卷积层、池化层以及全连接层，选取Relu函数作为神经网络的激活函数，池化层使用最大池化方法，将待训练数据放入卷积神经网络进行训练，获取待训练数据的特征值。4.如权利要求3所述的基于卷积神经网络的人脸识别方法，其特征在于：将待训练数据放入卷积神经网络进行训练，获取待训练数据的特征值，还包括以下步骤，通过卷积层的特征图大小计算公式对待训练数据进行计算，获取待训练数据的特征图，利用最大池化方法获取最大特征图，根据Relu函数对最大特征图进行激活，通过全连接层对激活的最大特征图进行连接，获取待训练数据的特征值。5.如权利要求4所述的基于卷积神经网络的人脸识别方法，其特征在于：还包括以下步骤，所述特征图大小计算公式为：其中，w'代表特征图，w代表待训练数据形成的矩阵，p代表补零层数，s代表步幅，k代表卷积核大小，n代表修正系数。6.如权利要求5所述的基于卷积神经网络的人脸识别方法，其特征在于：步骤S3中，获取本地人脸信息库，通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度，根据待识别相似度，对特征值对应的待识别图像进行识别，还包括以下步骤，设定相似度阈值，将特征值以及本地人脸信息库中每一张图像特征值转化成向量形式，通过余弦相似度计算特征值与本地人脸信息库中每一张图像特征值的待识别相似度，将待识别相似度与相似度阈值进行比较，当待识别相似度大于相似度阈值时，判断待识别图像与本地人脸信息库中的这张图像相似；当待识别相似度小于相似度阈值时，判断待识别图像与本地人脸信息库中的这张图像不相似。7.如权利要求6所述的基于卷积神经网络的人脸识别方法，其特征在于：还包括以下步骤，所述余弦相似度算法为：2CN111178187A权利要求书2/2页其中，sim(X,Y)代表待识别相似度，x代表待识别图像特征值，y代表本地人脸信息库中每一张图像特征值。8.一种基于卷积神经网络的人脸识别装置，其特征在于，所述基于卷积神经网络的人脸识别装置包括：获取模块，用于从视频中提取图像帧，根据图像帧获取待识别图像，对待识别图像进行预处理，获取待训练数据；特征值训练模块，用于构建卷积神经网