【技术实现步骤摘要】
本专利技术涉及人脸识别，尤其涉及一种人脸识别方法及系统、设备、介质，能够更好地实现快速、准确和安全的人脸识别应用。
技术介绍
1、近年来，人脸识别技术取得了飞速的发展，得益于其设备成本低廉的优势，这一技术已被广泛应用于生产和生活的众多领域。人脸识别技术是一种基于个人面部特征和数字信息的生物特征识别技术，它通过分析和比较不同的生物特征差异来识别个体身份。
2、应用人脸识别技术的机构主要分为两大类：公共机构和商业机构。公共机构采用人脸识别技术主要是为了向公众提供基础的公共服务，例如在道路、机场、车站等公共场所进行监控，旨在提供安全保障和事后调查服务。相比之下，商业机构使用这项技术则更多是出于商业利益的考虑。根据应用场景的不同，人脸识别技术的应用可以进一步划分为个人隐私场合和商业场合。与所有技术一样，人脸识别技术也存在局限性。为了构建足够庞大的数据库以存储人脸信息，必须广泛收集人脸数据，而这些数据属于极其敏感的个人隐私。一旦数据库遭到泄露，大量个人隐私信息可能会迅速在互联网上扩散，导致无法挽回的损失和伤害。此外，如果攻击者非法获取了存储人脸图像的数据库，他们将能够访问许多受保护的资源，甚至可能盗用合法用户的身份。
3、本专利技术提供了一种人脸识别方法及系统、设备、介质，基于改进的人脸识别网络模型并进行人脸二次比对能够更好地实现快速、准确和安全的人脸识别应用。
技术实现思路
1、本专利技术提供了一种人脸识别方法及系统、设备、介质，使用了神经网络结合二进制字符串的阈值
2、本专利技术通过下述技术方案实现：一种人脸识别方法，包括以下步骤：
3、步骤s1，收集人脸图像数据集并构建成训练集与测试集；
4、步骤s2，基于空洞卷积和facecnn神经网络构建改进的人脸识别网络模型，所述改进的人脸识别网络模型包括从前到后依次连接的特征提取及增强模块和特征输出模块；
5、步骤s3，采用所述训练集和损失函数指导改进的人脸识别网络模型学习，输出训练好的改进的人脸识别网络模型；
6、步骤s4，采集人脸图像，将所述人脸图像输入进训练好的改进的人脸识别网络模型中，生成训练好的人脸图像并存入人脸识别系统的数据库中，采集新的人脸图像后通过提取二进制字符串进行信息比对完成人脸识别并更新数据库存储结果。
7、为了更好地实现本专利技术，进一步地，所述人脸图像数据集包括ck+数据集和fer2013数据集；
8、将所述ck+数据集和所述fer2013数据集进行标签融合后进行训练，并根据8：2的比例划分为训练集与测试集。
9、为了更好地实现本专利技术，进一步地，所述步骤s2中基于空洞卷积和facecnn神经网络构建改进的人脸识别网络模型包括：
10、将空洞卷积层替换facecnn神经网络中除去第一个卷积层和最后一个卷积层之外的所有卷积层；
11、将线性修正层替换facecnn神经网络中除去第一个卷积层后的混合池化层之外的所有混合池化层。
12、为了更好地实现本专利技术，进一步地，所述步骤s2中从前到后依次连接的特征提取及增强模块和特征输出模块包括：
13、所述特征提取及增强模块包括从前到后依次连接的第一卷积层、第一maxout层、第一混合池化层、第一空洞卷积层、第一线性修正层、第二空洞卷积层、第二线性修正层、第三空洞卷积层、第三线性修正层、第四空洞卷积层、第四线性修正层、第二混合池化层、第二卷积层、第二maxout层和dropout层；
14、所述特征输出模块包括全连接层、softmax层和center loss代价函数层；
15、所述第一混合池化层包括并联连接的第一平均池化层和第一最大池化层，所述第二混合池化层包括并联连接的第二平均池化层和第二最大池化层。
16、为了更好地实现本专利技术，进一步地，所述步骤s3包括：
17、所述损失函数为center loss代价函数；
18、所述center loss代价函数表示为：
19、
20、其中，m是小批量的样本的个数，n是类别个数，w是全连接层的权重，b为偏置项，
21、xi是第i个样本的特征向量，属于第yi个类别，是第yi个类别的中心向量，λ表示调节center loss代价函数的比例，表示最后一个全连接层中的第j列权重。
22、为了更好地实现本专利技术，进一步地，所述步骤s4包括：
23、通过预设超参数不断迭代衰减损失值直到迭代次数等于最大迭代次数，中止对训练集的训练生成训练好的人脸图像并存入人脸识别系统的数据库中。
24、为了更好地实现本专利技术，进一步地，所述步骤s4还包括：
25、使用keras facenet方法结合brisk算法提取所述数据库中的人脸图像和新的人脸图像的二进制特征点描述子进行信息比对。
26、本专利技术还提供了一种人脸识别系统，包括数据收集单元、模型生成单元、数据存储单元和二次比对单元，其中：
27、数据收集单元，用于收集人脸图像数据集并构建成训练集与测试集；
28、模型生成单元，用于基于空洞卷积和facecnn神经网络构建改进的人脸识别网络模型，所述改进的人脸识别网络模型包括从前到后依次连接的特征提取及增强模块和特征输出模块；用于采用所述训练集和损失函数指导改进的人脸识别网络模型学习，输出训练好的改进的人脸识别网络模型；
29、数据存储单元，用于数据存储单元采集人脸图像，将所述人脸图像输入进训练好的改进的人脸识别网络模型中，生成训练好的人脸图像并存入人脸识别系统的数据库中；用于更新数据库存储结果；
30、二次比对单元，用于采集新的人脸图像后通过提取二进制字符串进行信息比对完成人脸识别。
31、本专利技术还提供了一种电子设备，该电子设备包括处理器和存储器；处理器中包括上述第二方面所记载的人脸识别系统。
32、本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质包括指令；当指令在上述第三方面所记载的电子设备上运行时，使得电子设备执行上述第一方面所记载的方法。
33、本专利技术与现有技术相比，具有以下优点及有益效果：
34、(1)本专利技术提供一种人脸识别方法及系统、设备、介质，基于改进的人脸识别网络模型，我们可以获得更加准确和高效的人脸识别结果，显著提高识别的准确率和速度；此外，改进的模型还具备更强的抗干扰能力，能够在嘈杂的环境中依然保持较高的识别率，基于改进的人脸识别网络模型，我们能够更好地实现快速、准确和安全的人脸识别应用；
35、(2)本专利技术提供一种人脸识别方法及系统、设备、介质，二进制特征点描述子的优势在于其简洁性和高效性，能够在较短的时间内处理大量图像数据，并且在不同的图像和视角变化下保持较高的鲁棒性。此外，由于其二进制特性，这些描述子在存储和传输过程中也具有较低的本文档来自技高网...
【技术保护点】
1.一种人脸识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤S1包括：
3.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤S2中基于空洞卷积和FaceCNN神经网络构建改进的人脸识别网络模型包括：
4.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤S2中从前到后依次连接的特征提取及增强模块和特征输出模块包括：
5.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤S3包括：
6.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤S4包括：
7.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤S4还包括：
8.一种人脸识别系统，其特征在于，包括数据收集单元、模型生成单元、数据存储单元和二次比对单元，其中：
9.一种电子设备，其特征在于，包括处理器和存储器；所述处理器中包括如权利要求8所述的人脸识别系统。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令
...【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤s1包括：
3.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤s2中基于空洞卷积和facecnn神经网络构建改进的人脸识别网络模型包括：
4.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤s2中从前到后依次连接的特征提取及增强模块和特征输出模块包括：
5.根据权利要求1所述的一种人脸识别方法，其特征在于，所述步骤s3包括：
6.根据权利要求1所述的一...
【专利技术属性】
技术研发人员：李江鑫，罗贵军，张海宾，张小龙，李朋飞，
申请(专利权)人：四川中电启明星信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。