CN109919133A - 一种基于卷积神经网络的多姿态人脸识别方法 - Google Patents
一种基于卷积神经网络的多姿态人脸识别方法 Download PDFInfo
- Publication number
- CN109919133A CN109919133A CN201910224956.2A CN201910224956A CN109919133A CN 109919133 A CN109919133 A CN 109919133A CN 201910224956 A CN201910224956 A CN 201910224956A CN 109919133 A CN109919133 A CN 109919133A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- pose
- face recognition
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于卷积神经网络的多姿态人脸识别方法，包含以下步骤：A、基于卷积神经网络模型，改变卷积层的卷积核的数目以及卷积核的尺寸，并在开源的人脸数据库上进行实验，得到其最佳的池化方式；B、改变池化层的池化方式，并在开源的人脸数据库上进行试验，得到其化方式；C、以正则化的方式对参数进行处理；D、将空间金字塔池化应用于卷积神经网络中，本发明基于卷积神经网络的多姿态人脸识别方法采用卷积神经网络进行人脸识别，不仅特征提取效率高，数据格式的简易性，同时识别的准确率高。
Description
技术领域
本发明涉及人脸识别技术领域，具体是一种基于卷积神经网络的多姿态人脸识别方法。
背景技术
现如今，随着计算机视觉的相关理论与应用研究的快速发展，计算机视觉技术在日常生活中应用的优越性也日益突显出来。用计算机对图像进行识别是计算机从相关的视频或图像序列中提取出相应的特征，从而让计算机“理解”图像的内容，并能正确分类的技术。安防意识的提升也让人们对于公共以及个人的安全需求不断攀升，使得计算机视觉在人脸识别、人脸检测等方面有了很高的应用价值。
人脸识别技术是一种基于人的脸部特征信息进行身份识别的生物识别技术，利用计算机模仿人类的视觉***，通过计算机提取人脸的特征，并根据提取的特征进行身份验证。作为生物特征识别的一个重要分支，人脸识别越来越成为当前模式识别与人工智能领域的研究热点。2012年的百度年会上，李彦宏特意提到了百度识图；图搜图的准确率从20%提升到80%，李彦宏将这种明显的提升归因于刚上线的人脸识别搜索。谷歌、搜狗等各大口户网站也都上线人脸识别搜索。同年四月，随着谷歌眼镜的问世，各种奇思妙想正在付诸于实践中，作为一款＂拓展现实＂的产品，可以实现智能手机的各种功能，如声音控制拍照，视频通话及处理文字信息和电子邮件等，其中最令人兴奋的就是人脸识别功能。智能手机的人脸解锁也为我们的信息安全设置了一道防线。随着国内外各大网络公司未来发展战略计划的制定，及智能手机的普及，人脸识别也进一步融入日常生活，与我们的生活息息相关。
由于人脸识别效果易受多种因素的影响，而卷积神经网络对于数据的要求没有那么严苛，并且识别率较高。所以卷积神经网络对于人脸识别领域的研究具有重要的理论意义和现实意义。
发明内容
本发明的目的在于提供一种基于卷积神经网络的多姿态人脸识别方法，以解决所述背景技术中提出的问题。
为实现所述目的，本发明提供如下技术方案：
一种基于卷积神经网络的多姿态人脸识别方法，包含以下步骤：
A、基于卷积神经网络模型，改变卷积层的卷积核的数目以及卷积核的尺寸，并在开源的人脸数据库上进行实验，得到其参数；
B、改变池化层的池化方式，并在开源的人脸数据库上进行试验，得到其最佳的池化方式；
C、以正则化的方式对参数进行处理；
D、将空间金字塔池化应用于卷积神经网络中；
E、结果验证。
作为本发明的进一步技术方案：步骤F中的算法仿真通过MATLAB软件实现。
作为本发明的进一步技术方案：所述成型精度是指最终制件与零件数学模型之间的误差大小，包括形状精度、尺寸精度和表面粗糙度三个方面。
作为本发明的进一步技术方案：所述步骤E具体是：借助开源的人脸数据库，对本课题的改进算法进行训练和测试，对比其他识别算法，分析各自的优缺点及产生这样现象的原因，验证算法的可行性和正确性。
作为本发明的进一步技术方案：还包括步骤F：进行算法仿真，并为改进后的识别算法搭建实验平台进行验证；
作为本发明的进一步技术方案：还包括步骤G：使用C语言实现人脸识别算法，进行实际应用
与现有技术相比，本发明的有益效果是：本发明基于卷积神经网络的多姿态人脸识别方法采用卷积神经网络进行人脸识别，不仅特征提取效率高，数据格式简易，同时识别的准确率高。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：一种基于卷积神经网络的多姿态人脸识别方法，包含以下步骤：
A、基于卷积神经网络模型，改变卷积层的卷积核的数目以及卷积核的尺寸，并在开源的人脸数据库上进行实验，得到其最优的参数。
B、改变池化层的池化方式，并在开源的人脸数据库上进行试验，得到其最佳的池化方式。
C、学习正则化的方式对参数进行处理，避免出现过拟合和欠拟合现象，增强网络的泛化能力和稀疏性。
D、将空间金字塔池化应用于卷积神经网络中，增强网络的灵活性和有效性，解决卷积神经网络对于输入图像尺寸的限制。
E、结果验证：
F、使用MATLAB软件进行算法仿真，并为改进后的识别算法搭建实验平台进行验证。
G、使用C语言或者其他语言实现人脸识别算法，进行实际应用。
实施例2：在实施例1的基础上，步骤E具体是借助开源的人脸数据库，对本课题的改进算法进行训练和测试，对比其他识别算法，分析各自的优缺点及产生这样现象的原因，验证算法的可行性和正确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于卷积神经网络的多姿态人脸识别方法，其特征在于，包含以下步骤：
基于卷积神经网络模型，改变卷积层的卷积核的数目以及卷积核的尺寸，并在开源的人脸数据库上进行实验，得到其参数；
改变池化层的池化方式，并在开源的人脸数据库上进行试验，得到其最佳的池化方式；
以正则化的方式对参数进行处理；
将空间金字塔池化应用于卷积神经网络中；
结果验证。
2.根据权利要求1所述的一种基于卷积神经网络的多姿态人脸识别方法，其特征在于，步骤F中的算法仿真通过MATLAB软件实现。
3.根据权利要求1所述的一种基于卷积神经网络的多姿态人脸识别方法，其特征在于，所述步骤E具体是：借助开源的人脸数据库，对改进算法进行训练和测试，同时验证算法的可行性和正确性。
4.根据权利要求1所述的一种基于卷积神经网络的多姿态人脸识别方法，其特征在于，还包括步骤F：进行算法仿真，并为改进后的识别算法搭建实验平台进行验证。
5.根据权利要求4所述的一种基于卷积神经网络的多姿态人脸识别方法，其特征在于，还包括步骤G：使用C语言实现人脸识别算法，进行实际应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910224956.2A CN109919133A (zh) | 2019-03-24 | 2019-03-24 | 一种基于卷积神经网络的多姿态人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910224956.2A CN109919133A (zh) | 2019-03-24 | 2019-03-24 | 一种基于卷积神经网络的多姿态人脸识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919133A true CN109919133A (zh) | 2019-06-21 |
Family
ID=66966379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910224956.2A Pending CN109919133A (zh) | 2019-03-24 | 2019-03-24 | 一种基于卷积神经网络的多姿态人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919133A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105868774A (zh) * | 2016-03-24 | 2016-08-17 | 西安电子科技大学 | 基于选择性搜索和卷积神经网络的车标识别方法 |
| CN107944442A (zh) * | 2017-11-09 | 2018-04-20 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
| CN108108676A (zh) * | 2017-12-12 | 2018-06-01 | 北京小米移动软件有限公司 | 人脸识别方法、卷积神经网络生成方法及装置 |
-
2019
- 2019-03-24 CN CN201910224956.2A patent/CN109919133A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105868774A (zh) * | 2016-03-24 | 2016-08-17 | 西安电子科技大学 | 基于选择性搜索和卷积神经网络的车标识别方法 |
| CN107944442A (zh) * | 2017-11-09 | 2018-04-20 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
| CN108108676A (zh) * | 2017-12-12 | 2018-06-01 | 北京小米移动软件有限公司 | 人脸识别方法、卷积神经网络生成方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| KAIMING HE ET AL: "Spatial pyramid pooling in deep convolutional networks for visual recognition", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS & MACHINE INTELLIGENCE》 * |
| 韩东 等: "基于改进的卷积神经网络多姿态人脸识别研究", 《吉林大学学报（信息科学版）》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahila Priyadharshini et al. | A deep learning approach for person identification using ear biometrics | |
| Coşkun et al. | Face recognition based on convolutional neural network | |
| William et al. | Face recognition using facenet (survey, performance test, and comparison) | |
| US10776470B2 (en) | Verifying identity based on facial dynamics | |
| CN102663370B (zh) | 一种人脸识别的方法及*** | |
| CN113610540B (zh) | 一种河蟹防伪溯源方法及*** | |
| Khosravy et al. | Model inversion attack: analysis under gray-box scenario on deep learning based face recognition system | |
| CN104123550A (zh) | 基于云计算的文本扫描识别方法 | |
| Xu et al. | Research on inception module incorporated siamese convolutional neural networks to realize face recognition | |
| CN113343898B (zh) | 基于知识蒸馏网络的口罩遮挡人脸识别方法、装置及设备 | |
| CN108960342A (zh) | 基于改进SoftMax损失函数的图像相似度计算方法 | |
| Sheng et al. | Adaptive semantic-spatio-temporal graph convolutional network for lip reading | |
| Pandey et al. | Face recognition using machine learning | |
| CN106056074A (zh) | 一种基于区域稀疏的单张训练样本人脸识别方法 | |
| CN103544468B (zh) | 3d人脸表情识别方法和装置 | |
| CN111522963A (zh) | 一种基于公安知识图谱引擎的智能助理应用交互方法 | |
| Lo et al. | Facial chirality: From visual self-reflection to robust facial feature learning | |
| Li et al. | Effective attention-based feature decomposition for cross-age face recognition | |
| Yi et al. | Dual model medical invoices recognition | |
| Alzahrani et al. | Deep learning models for automatic makeup detection | |
| Huang et al. | Recognition method for stone carved calligraphy characters based on a convolutional neural network | |
| Ni | Face recognition based on deep learning under the background of big data | |
| CN109919133A (zh) | 一种基于卷积神经网络的多姿态人脸识别方法 | |
| Zhao et al. | Necessary morphological patches extraction for automatic micro-expression recognition | |
| Latha et al. | A novel method for person authentication using retinal images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190621 |
|
| WD01 | Invention patent application deemed withdrawn after publication |