买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南理工大学

摘要：本发明公开了一种基于卷积宽度网络的人脸检测和识别方法，包括以下步骤：S1、使用摄像头采集视频并按一定频率截取视频帧；S2、使用深度网络MTCNN对视频帧进行人脸检测；S3、将检测到的人脸区域输入到卷积宽度人脸识别网络，并输出最终通用的人脸特征；S4、将获得的人脸特征与现有人员库中的人员特征进行对比，并根据阈值输出人脸识别结果。本发明将深度学习与宽度学习相结合，并用于人脸检测识别，解决了现有方法中参数量大，资源消耗大，训练时间长的问题，能够满足部署中实时性的要求。

主权项：1.一种基于卷积宽度网络的人脸检测和识别方法，其特征在于，包括以下步骤：S1、使用摄像头采集视频并按一定频率截取视频帧；S2、使用深度网络MTCNN对视频帧进行人脸检测；S3、将检测到的人脸区域输入到卷积宽度人脸识别网络，并输出最终通用的人脸特征；步骤S3中，卷积宽度人脸识别网络具体包括：S31、初始化卷积宽度网络参数，模型参数包括映射特征组个数n、组内特征个数k以及增强节点个数m，每种特征对应的卷积核Kernel；S32、使用随机卷积核初始化宽度学习中的映射特征节点组；利用模型输入X，使用随机初始化的卷积核Kernelkθ1计算特征映射节点Zn≡[Z1，Z2，...，Zn]，其中第i组映射特征Zi的计算如公式1，每一组特征包含k个映射特征；Zi＝X*Kernelkθ1，i＝1，2，...，n1S33、由映射节点Zn使用随机初始化的卷积核Kernelmθ2计算增强节点Hm≡[H1，H2，...，Hm]，其中增强特征Hj的计算如公式2：Hj≡Zn*Kernelmθ2，j＝1，2，...，m2S34、将映射特征和增强节点特征合并成特征层A＝α[Z|H]，连接到模型输出层Y，特征层和输出层的连接权重为W；其中α是一个向量，所有元素和为1；真实输出Y和特征层A的关系如公式3：Y＝WA3S35、使用批量梯度下降算法对其参数进行优化，包括最后一层连接权重和特征层卷积核，直到达到停止条件；若卷积宽度网络的损失函数为公式4 其中，N表示数据的个数，zi是第i个数据对应的预测输出；对公式4所表示的损失函数求偏导有： 其中，j＝1，2，表示特征层参数组； 每次迭代对参数θ1，θ2，W使用公式7和公式8进行更新； 其中，α是学习率；重复以上步骤，直到达到停止条件，停止条件是损失函数的值在5次迭代过程中不会发生大的变化；S36、获取优化模型的特征层的人脸识别特征A；S4、将获得的人脸特征与现有人员库中的人脸特征进行对比，计算与人员库中每个人脸特征的差异值，并根据设定阈值输出人脸识别结果；步骤S4中，当前人脸与人员库中每个人脸特征的差异值是通过公式9计算的： 其中，i表示人员库中的数量，Aij表示第i个人员对应的第j个特征；基于该差异值，获得最小差异值对应人员，并判断该差异值是否小于设定的可接受阈值，如果小于设定阈值，输出该人员信息；如果大于阈值则输出不存在该人员。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于卷积宽度网络的人脸检测和识别方法