人脸识别方法及系统技术方案

本发明专利技术公开了一种人脸识别方法及系统，通过获取待识别的人脸图像和多个已知身份的对比人脸图像；采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征；从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述人脸的身份，采用分布式计算框架对人脸类中心特征的计算和更新，能够提升系统对大规模人脸特征类中心计算的能力，进而更加快速的识别人脸。

【技术实现步骤摘要】
人脸识别方法及系统
本专利技术涉及人脸识别领域，尤其涉及人脸识别方法及系统。
技术介绍
近年来，随着人工智能的发展，人脸识别精度的大幅提升，使得该技术在社会生活领域得到广泛应用，包括人脸识别门禁、人脸支付、人脸考勤、身份认证。深度学习技术是当前实现高精度人脸识别的一个重要手段，通过设计更优的神经网络结构以及更优的损失函数，可以获得高精度的人脸识别模型。GPU性能的提升以及大规模开放人脸数据集的出现，也为高精度人脸算法模型的训练提供强了有力的支撑。无约束条件下的人脸识别依然存在一些难题，如大姿态识别、跨年龄段识别、异质人脸识别等等，特别是受现场复杂的光照环境影响，可能导致识别率下降。
技术实现思路
本专利技术提供了人脸识别方法及系统，用以解决现有的人脸识别方法的技术问题。为解决上述技术问题，本专利技术提出的技术方案为：一种人脸识别方法，包括以下步骤：获取待识别的人脸图像和多个已知身份的对比人脸图像；采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征；从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述人脸的身份。优选的，将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配是通过人脸识别模块实现的，所述人脸识别模块是将EfficientNet（Google公司在2019年在ICML公开的开源神经网络模型）网络模型的最后一层用一个全连接层替换得到。优选的，所述人脸识别模块包括：依次连接的第一深度分类卷积层、第二深度分离卷积层、第三深度分离卷积层、第四深度分离卷积层、第五深度分离卷积层、第六深度分离卷积层、第七深度分离卷积层以及全连接层。优选的，将当前抽取的人脸特征与底库中的多个不同类别的类中心样本特征进行相似度比对，并根据相似度比对的结果判断所述人脸的身份，具体包括以下步骤：计算从待识别的人脸图像抽取的人脸特征与不同类别的类中心样本特征之间的余弦距离，并判断所述余弦距离是否大于预设的阈值，若所述余弦距离大于预设的阈值，判断所述余弦距离对应的类中心样本特征对应的身份为待识别的人脸图像的身份。优选的，所述类中心样本特征通过以下公式计算得到：，其中，M代表某一分类的类中心样本特征向量，为某一分类的第个特征向量值，n为当前分类下的特征向量总数。优选的，所述类中心样本特征通过Hadoop（海杜普，是一个由Apache基金会所开发的分布式系统基础架构）中的MapReduce（MapReduce是由Google公司研究提出的一种面向大规模数据处理的并行计算模型和方法）框架分布式并行计算得到。优选的，将所述人脸特征通过预设的人脸识别模型与预设的样本特征进行比对前，还包括以下步骤：选取评价指标，对所述人脸图像的质量进行评估，并将评估合格的人脸图像通过预设的人脸识别模型与预设的样本特征进行比对，所述评价指标至少包括画面清晰度、人脸侧脸角度、人脸遮挡度等一种或任意几种的组合，对所述人脸图像的质量进行评估是通过梯度大小相似偏差算法实现的，其中，检测算子采用检测图像边缘的Sobel算子（索贝尔算子）。优选的，根据相似度匹配的结果判断所述人脸的身份，还包括以下步骤：当所述人脸特征与预设的样本特征的相似度大于预设的相似度阈值，判断所述人脸特征与样本特征为同一身份，否则，判断所述人脸特征与样本特征非同一身份。优选的，当所述人脸特征与样本特征为同一身份时，还包括以下步骤：控制门禁系统为所述人脸特征对应的待通行者放行一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。本专利技术具有以下有益效果：1、本专利技术中的人脸识别方法及系统，采用分布式计算框架对人脸类中心特征的计算以及特征底库的更新，能够提升系统对大规模人脸特征类中心计算的能力，进而更加快速的识别人脸。2、在优选方案中，本专利技术中的人脸识别方法及系统，基于EfficientNet的轻量级神经网络具备图像分辨率、模型深度、卷积核大小三个维度的可扩展能力，通过模型的扩张在满足实时性需求的条件下更好的发挥硬件的性能，从而提升模型的识别性能。采用人脸的类中心特征作为底库进行匹配，能够实现底库的自动更新，降低系统维护的人力成本。为了更好的适配人脸识别任务，提升模型的识别精度，将原EfficientNet网络模型的最后一部分用一个全连接层（FullyconnectedLayers，FC）进行了替换，去掉了在全连接层之上的1x1的卷积层和池化层。采用全连接层作为整个卷积神经网络的“分类器”，全连接层将学到的“分布式特征表示”映射到样本标记空间。全连接层在模型表示能力迁移过程中充当“防火墙”的作用，对于人脸识别这类源域与目标域差异较大的识别任务。全连接层可保持较大的模型容量，保证模型表示能力的迁移。除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照附图，对本专利技术作进一步详细的说明。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术中的一种人脸识别方法的流程图；图2是本专利技术优选实施例中的神经网络框架；图3是本专利技术优选实施例中的嵌入式前端子系统的结构简图；图4是本专利技术优选实施例中的私有云服务子系统的结构简图；图5是本专利技术优选实施例中的人脸识别系统的工作流程；图6是本专利技术优选实施例中的私有云服务子系统人脸特征底库更新流程图；图7是本专利技术优选实施例中的人脸识别系统的结构简图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。实施例一：如图1所示，本专利技术公开了一种人脸识别方法，包括以下步骤：获取待识别的人脸图像和多个已知身份的对比人脸图像；采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征；从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述人脸的身份。此外，在本实施例中还公开了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。本专利技术中的人脸识别方法及系统，采用分布式计算框架对人脸类中心特征的计算以及特征底库的更新，能够提升系统对大规模人脸特征类中心计算的能力，进而更加快速的识别人脸。实施例二：实施例二是实施例的拓展实施例，其与实施例一的不同之处在本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，具体包括以下步骤：/n获取待识别的人脸图像和多个已知身份的对比人脸图像；/n采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征，其中，将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配是通过人脸识别模块实现的，所述人脸识别模块是将EfficientNet网络模型的最后一层用一个全连接层替换得到；/n从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述待识别的人脸的身份。/n

【技术特征摘要】
1.一种人脸识别方法，其特征在于，具体包括以下步骤：
获取待识别的人脸图像和多个已知身份的对比人脸图像；
采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征，其中，将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配是通过人脸识别模块实现的，所述人脸识别模块是将EfficientNet网络模型的最后一层用一个全连接层替换得到；
从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述待识别的人脸的身份。


2.根据权利要求1所述的人脸识别方法，其特征在于，所述人脸识别模块包括：依次连
接的第一深度分类卷积层、第二深度分离卷积层、第三深度分离卷积层、第四深度分离卷积层、第五深度分离卷积层、第六深度分离卷积层、
第七深度分离卷积层以及全连接层。


3.根据权利要求2所述的人脸识别方法，其特征在于，将当前抽取的人脸特征与底库中的多个不同类别的类中心样本特征进行相似度比对，并根据相似度比对的结果判断所述人脸的身份，具体包括以下步骤：
计算从待识别的人脸图像抽取的人脸特征与不同类别的类中心样本特征之间的余弦距离，并判断所述余弦距离是否大于预设的阈值，若所述余弦距离大于预设的阈值，判断所述余弦距离对应的类中心样本特征对应的身份为待识别的人脸图像的身份。


4.根据权利要求3所述的人脸识别方法，其特征在于，所述类中心样本特征通过以下公式计算得到：

，其中，M代表某...

【专利技术属性】
技术研发人员：夏东，黎佳志，
申请(专利权)人：湖南视觉伟业智能科技有限公司，
类型：发明
国别省市：湖南;43