本發(fā)明主要涉及圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種人臉識(shí)別方法和系統(tǒng)。

背景技術(shù)：

人臉識(shí)別作為一種重要的生物識(shí)別技術(shù)之一，具有成本低、用戶易接受、可靠性高等優(yōu)點(diǎn)，在身份認(rèn)證、安防監(jiān)控、人機(jī)交互等領(lǐng)域具有廣泛的應(yīng)用前景。卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)受生物視覺啟發(fā)、以最簡(jiǎn)化預(yù)處理操作為目的的多層感知器的變形，是一種高效的識(shí)別方法，近幾年來(lái)通過深度學(xué)習(xí)并逐步應(yīng)用到各個(gè)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)通過逐層卷積降維進(jìn)行特征提取，然后經(jīng)過多層非線性映射，使網(wǎng)絡(luò)可以根據(jù)訓(xùn)練樣本的特點(diǎn)，自動(dòng)學(xué)習(xí)形成適合該識(shí)別任務(wù)的特征提取器和分類器。

隨著社會(huì)的發(fā)展，技術(shù)的進(jìn)步，科技對(duì)人們的影響越來(lái)越大，人們對(duì)于人臉鑒別的需求越來(lái)越強(qiáng)烈，然而在不同場(chǎng)景下，角度不同，攝像機(jī)分辨率不同以及不同場(chǎng)景下光照也不一致等問題，導(dǎo)致同一個(gè)行人很容易被誤判為同一行人。傳統(tǒng)的特征提取并不能提取到足夠多更細(xì)致的特征信息。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種人臉識(shí)別方法和系統(tǒng)。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種人臉識(shí)別方法，包括如下步驟：

步驟s1：分別對(duì)樣本庫(kù)中的人臉樣本圖像和測(cè)試庫(kù)中的人臉測(cè)試圖像進(jìn)行對(duì)齊處理；

步驟s2：構(gòu)建多層特征融合卷積神經(jīng)網(wǎng)絡(luò)，通過所述多層特征融合卷積神經(jīng)網(wǎng)絡(luò)對(duì)對(duì)齊后的人臉樣本圖像進(jìn)行人臉特征識(shí)別訓(xùn)練，得到訓(xùn)練后的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)；

步驟s3：將對(duì)齊后的人臉測(cè)試圖像輸入完成訓(xùn)練的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行人臉識(shí)別，從而識(shí)別出人臉測(cè)試圖像中的人臉。

本發(fā)明的有益效果是：能夠通過多層特征融合卷積神經(jīng)網(wǎng)絡(luò)提取人臉淺層特征，然后將其與深層特征融合來(lái)進(jìn)行人臉識(shí)別，在識(shí)別準(zhǔn)確性以及可靠性方面都得到很大程度的提升，通過landmark方法將待處理的人臉樣本圖像和測(cè)試庫(kù)中的人臉測(cè)試圖像進(jìn)行對(duì)齊處理，能夠加快識(shí)別人臉特征的進(jìn)程。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。

進(jìn)一步，所述步驟s1具體包括：

步驟s101：利用回歸樹集合ensembleofregressiontrees算法對(duì)人臉樣本圖像和人臉測(cè)試圖像進(jìn)行人臉檢測(cè)，再對(duì)檢測(cè)到的人臉進(jìn)行人臉特征點(diǎn)landmarks檢測(cè)，分別獲得多個(gè)人臉樣本圖像的landmark點(diǎn)和多個(gè)人臉測(cè)試圖像的landmark點(diǎn)；

步驟s102：當(dāng)對(duì)齊人臉樣本圖像時(shí)，隨機(jī)從多個(gè)人臉樣本圖像的landmark點(diǎn)中選取預(yù)設(shè)的n個(gè)landmark點(diǎn)以及預(yù)設(shè)的標(biāo)準(zhǔn)人臉模板的landmark點(diǎn)，一并代入構(gòu)建的仿射矩陣h中，通過變換得到新仿射矩陣，根據(jù)新仿射矩陣的變換值來(lái)對(duì)齊人臉樣本圖像；

步驟s103：當(dāng)對(duì)齊人臉測(cè)試圖像時(shí)，隨機(jī)從多個(gè)人臉測(cè)試圖像的landmark點(diǎn)中選取預(yù)設(shè)的n個(gè)landmark點(diǎn)以及預(yù)設(shè)的標(biāo)準(zhǔn)人臉模板的landmark點(diǎn)，一并代入構(gòu)建的仿射矩陣h中，通過變換得到新仿射矩陣，根據(jù)新仿射矩陣的變換值來(lái)對(duì)齊人臉測(cè)試圖像。

進(jìn)一步，所述仿射矩陣h為

設(shè)仿射矩陣h各landmark點(diǎn)的坐標(biāo)為(x,y)，經(jīng)過仿射矩陣h變換后，得到各landmark點(diǎn)的新坐標(biāo)(x',y')

采用上述進(jìn)一步方案的有益效果是：通過landmark方法對(duì)人臉樣本圖像和測(cè)試庫(kù)中的人臉測(cè)試圖像進(jìn)行預(yù)處理，能夠使多層特征融合卷積神經(jīng)網(wǎng)絡(luò)更快速更準(zhǔn)確的識(shí)別人臉特征。

進(jìn)一步，所述多層特征融合卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的卷積層conv1、池化層pool1、卷積層conv2、池化層pool2、卷積層conv3、池化層pool3和卷積層conv4；還包括與所述池化層pool1依次連接的卷積層conv6和卷積層conv7，與所述池化層pool2連接的卷積層conv5；所述卷積層conv4通過全連接層fc1與連接層concat連接，所述池化層pool3通過全連接層fc2與連接層concat連接，所述卷積層conv5通過全連接層fc3與連接層concat連接，所述卷積層conv7通過全連接層fc4與連接層concat連接；還包括分類層softmax，所述分類層softmax通過全連接層fc5與連接層concat連接。

進(jìn)一步，所述卷積層conv對(duì)輸入的圖像進(jìn)行卷積運(yùn)算，并通過神經(jīng)元激活函數(shù)計(jì)算卷積的輸出；

所述池化層pool對(duì)卷積層輸出的圖像進(jìn)行下采樣來(lái)減小圖像的尺寸；

所述全連接層fc將上一層的任何一個(gè)神經(jīng)元節(jié)點(diǎn)都與下一層的所有神經(jīng)元節(jié)點(diǎn)連接；

所述連接層concat將全連接層fc1、全連接層fc2、全連接層fc3和全連接層fc4中輸出的神經(jīng)元節(jié)點(diǎn)進(jìn)行特征融合；

所述分類層softmax對(duì)各神經(jīng)元節(jié)點(diǎn)的輸入值進(jìn)行特征分類。

采用上述進(jìn)一步方案的有益效果是：與傳統(tǒng)的人臉識(shí)別方法相比，采用多層特征融合卷積神經(jīng)網(wǎng)絡(luò)的方法體現(xiàn)出更好的識(shí)別準(zhǔn)確率，卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)越深，其特征表達(dá)力越好，考慮了淺層特征的細(xì)節(jié)紋理的輸出，將淺層特征與深層特征相融合，使識(shí)別準(zhǔn)確性以及可靠性方面都得到很大程度的提升。

本發(fā)明解決上述技術(shù)問題的另一技術(shù)方案如下：一種人臉識(shí)別系統(tǒng)，包括：

圖像對(duì)齊模塊，用于分別對(duì)樣本庫(kù)中的人臉樣本圖像和測(cè)試庫(kù)中的人臉測(cè)試圖像進(jìn)行對(duì)齊處理；

訓(xùn)練模塊，用于構(gòu)建多層特征融合卷積神經(jīng)網(wǎng)絡(luò)，通過所述多層特征融合卷積神經(jīng)網(wǎng)絡(luò)對(duì)對(duì)齊后的人臉樣本圖像進(jìn)行人臉特征識(shí)別訓(xùn)練，得到訓(xùn)練后的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)；

識(shí)別模塊，用于將對(duì)齊后的人臉測(cè)試圖像輸入完成訓(xùn)練的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行人臉識(shí)別，從而識(shí)別出人臉測(cè)試圖像中的人臉。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。

進(jìn)一步，所述圖像對(duì)齊模塊包括：

landmark點(diǎn)檢測(cè)單元，用于利用回歸樹集合ensembleofregressiontrees算法對(duì)人臉樣本圖像和人臉測(cè)試圖像進(jìn)行人臉檢測(cè)，再對(duì)檢測(cè)到的人臉進(jìn)行人臉特征點(diǎn)landmarks檢測(cè)，分別獲得多個(gè)人臉樣本圖像的landmark點(diǎn)和多個(gè)人臉測(cè)試圖像的landmark點(diǎn)；

樣本圖像對(duì)齊單元，用于當(dāng)對(duì)齊人臉樣本圖像時(shí)，隨機(jī)從多個(gè)人臉樣本圖像的landmark點(diǎn)中選取預(yù)設(shè)的n個(gè)landmark點(diǎn)以及預(yù)設(shè)的標(biāo)準(zhǔn)人臉模板的landmark點(diǎn)，一并代入構(gòu)建的仿射矩陣h中，通過變換得到新仿射矩陣，根據(jù)新仿射矩陣的變換值來(lái)對(duì)齊人臉樣本圖像；

測(cè)試圖像對(duì)齊單元，用于當(dāng)對(duì)齊人臉測(cè)試圖像時(shí)，隨機(jī)從多個(gè)人臉測(cè)試圖像的landmark點(diǎn)中選取預(yù)設(shè)的n個(gè)landmark點(diǎn)以及預(yù)設(shè)的標(biāo)準(zhǔn)人臉模板的landmark點(diǎn)，一并代入構(gòu)建的仿射矩陣h中，通過變換得到新仿射矩陣，根據(jù)新仿射矩陣的變換值來(lái)對(duì)齊人臉測(cè)試圖像。

進(jìn)一步，所述仿射矩陣h為

設(shè)仿射矩陣h各landmark點(diǎn)的坐標(biāo)為(x,y)，經(jīng)過仿射矩陣h變換后，得到各landmark點(diǎn)的新坐標(biāo)(x',y')

進(jìn)一步，所述多層特征融合卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的卷積層conv1、池化層pool1、卷積層conv2、池化層pool2、卷積層conv3、池化層pool3和卷積層conv4；還包括與所述池化層pool1依次連接的卷積層conv6和卷積層conv7，與所述池化層pool2連接的卷積層conv5；所述卷積層conv4通過全連接層fc1與連接層concat連接，所述池化層pool3通過全連接層fc2與連接層concat連接，所述卷積層conv5通過全連接層fc3與連接層concat連接，所述卷積層conv7通過全連接層fc4與連接層concat連接；還包括分類層softmax，所述分類層softmax通過全連接層fc5與連接層concat連接。

進(jìn)一步，所述卷積層conv，用于對(duì)輸入的圖像進(jìn)行卷積運(yùn)算，并通過神經(jīng)元激活函數(shù)計(jì)算卷積的輸出；

所述池化層pool，用于對(duì)卷積層輸出的圖像進(jìn)行下采樣來(lái)減小圖像的尺寸；

所述全連接層fc，用于將上一層的任何一個(gè)神經(jīng)元節(jié)點(diǎn)都與下一層的所有神經(jīng)元節(jié)點(diǎn)連接；

所述連接層concat，用于將全連接層fc1、全連接層fc2、全連接層fc3和全連接層fc4中輸出的神經(jīng)元節(jié)點(diǎn)進(jìn)行特征融合；

所述分類層softmax，用于對(duì)各神經(jīng)元節(jié)點(diǎn)的輸入值進(jìn)行特征分類。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例提供的人臉識(shí)別方法的方法流程圖；

圖2為本發(fā)明實(shí)施例提供的人臉識(shí)別系統(tǒng)的模塊框圖；

圖3為本發(fā)明實(shí)施例提供的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。

圖1為本發(fā)明實(shí)施例提供的人臉識(shí)別方法的方法流程圖；

如圖1所示，一種人臉識(shí)別方法，包括如下步驟：

步驟s1：分別對(duì)樣本庫(kù)中的人臉樣本圖像和測(cè)試庫(kù)中的人臉測(cè)試圖像進(jìn)行對(duì)齊處理；

步驟s2：構(gòu)建多層特征融合卷積神經(jīng)網(wǎng)絡(luò)，通過所述多層特征融合卷積神經(jīng)網(wǎng)絡(luò)對(duì)對(duì)齊后的人臉樣本圖像進(jìn)行人臉特征識(shí)別訓(xùn)練，得到訓(xùn)練后的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)；

步驟s3：將對(duì)齊后的人臉測(cè)試圖像輸入完成訓(xùn)練的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行人臉識(shí)別，從而識(shí)別出人臉測(cè)試圖像中的人臉。

具體的，測(cè)試庫(kù)可采用casia公開庫(kù)作為人臉測(cè)試圖像樣本集。

上述實(shí)施中，能夠通過多層特征融合卷積神經(jīng)網(wǎng)絡(luò)提取人臉淺層特征，然后將其與深層特征融合來(lái)進(jìn)行人臉識(shí)別，在識(shí)別準(zhǔn)確性以及可靠性方面都得到很大程度的提升，通過landmark方法將待處理的人臉樣本圖像和測(cè)試庫(kù)中的人臉測(cè)試圖像進(jìn)行對(duì)齊處理，能夠加快識(shí)別人臉特征的進(jìn)程。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟s1具體包括：

步驟s101：利用回歸樹集合ensembleofregressiontrees算法對(duì)人臉樣本圖像和人臉測(cè)試圖像進(jìn)行人臉檢測(cè)，再根據(jù)人臉特征點(diǎn)landmarks檢測(cè)方法對(duì)檢測(cè)到的人臉進(jìn)行特征點(diǎn)檢測(cè)，分別獲得多個(gè)人臉樣本圖像的landmark點(diǎn)和多個(gè)人臉測(cè)試圖像的landmark點(diǎn)；

步驟s102：當(dāng)對(duì)齊人臉樣本圖像時(shí)，隨機(jī)從多個(gè)人臉樣本圖像的landmark點(diǎn)中選取預(yù)設(shè)的n個(gè)landmark點(diǎn)以及預(yù)設(shè)的標(biāo)準(zhǔn)人臉模板的landmark點(diǎn)，一并代入構(gòu)建的仿射矩陣h中，通過變換得到新仿射矩陣，根據(jù)新仿射矩陣的變換值來(lái)對(duì)齊人臉樣本圖像；其中n≥3；

步驟s103：當(dāng)對(duì)齊人臉測(cè)試圖像時(shí)，隨機(jī)從多個(gè)人臉測(cè)試圖像的landmark點(diǎn)中選取預(yù)設(shè)的n個(gè)landmark點(diǎn)以及預(yù)設(shè)的標(biāo)準(zhǔn)人臉模板的landmark點(diǎn)，一并代入構(gòu)建的仿射矩陣h中，通過變換得到新仿射矩陣，根據(jù)新仿射矩陣的變換值來(lái)對(duì)齊人臉測(cè)試圖像。可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述仿射矩陣h為

設(shè)仿射矩陣h各landmark點(diǎn)的坐標(biāo)為(x,y)，經(jīng)過仿射矩陣h變換后，得到各landmark點(diǎn)的新坐標(biāo)(x',y')

上述實(shí)施例中，通過landmark方法對(duì)人臉樣本圖像和測(cè)試庫(kù)中的人臉測(cè)試圖像進(jìn)行預(yù)處理，能夠使多層特征融合卷積神經(jīng)網(wǎng)絡(luò)更快速更準(zhǔn)確的識(shí)別人臉特征。

圖3為本發(fā)明實(shí)施例提供的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；

可選地，作為本發(fā)明的一個(gè)實(shí)施例，如圖3所示，所述多層特征融合卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的卷積層conv1、池化層pool1、卷積層conv2、池化層pool2、卷積層conv3、池化層pool3和卷積層conv4；還包括與所述池化層pool1依次連接的卷積層conv6和卷積層conv7，與所述池化層pool2連接的卷積層conv5；所述卷積層conv4通過全連接層fc1與連接層concat連接，所述池化層pool3通過全連接層fc2與連接層concat連接，所述卷積層conv5通過全連接層fc3與連接層concat連接，所述卷積層conv7通過全連接層fc4與連接層concat連接；還包括分類層softmax，所述分類層softmax通過全連接層fc5與連接層concat連接。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述卷積層conv對(duì)輸入的圖像進(jìn)行卷積運(yùn)算，并通過神經(jīng)元激活函數(shù)計(jì)算卷積的輸出；

所述池化層pool對(duì)卷積層輸出的圖像進(jìn)行下采樣來(lái)減小圖像的尺寸；

所述全連接層fc，用于將上一層的任何一個(gè)神經(jīng)元節(jié)點(diǎn)都與下一層的所有神經(jīng)元節(jié)點(diǎn)連接；

所述連接層concat將全連接層fc1、全連接層fc2、全連接層fc3和全連接層fc4中輸出的神經(jīng)元節(jié)點(diǎn)進(jìn)行特征融合；

所述分類層softmax對(duì)各神經(jīng)元節(jié)點(diǎn)的輸入值進(jìn)行特征分類。

上述實(shí)施例中，與傳統(tǒng)的人臉識(shí)別方法相比，采用多層特征融合卷積神經(jīng)網(wǎng)絡(luò)的方法體現(xiàn)出更好的識(shí)別準(zhǔn)確率，卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)越深，其特征表達(dá)力越好，考慮了淺層特征的細(xì)節(jié)紋理的輸出，將淺層特征與深層特征相融合，使識(shí)別準(zhǔn)確性以及可靠性方面都得到很大程度的提升。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟s2中根據(jù)mini-batch梯度下降算法對(duì)多層特征融合卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行收斂，來(lái)提高對(duì)人臉圖像特征的識(shí)別正確率；具體的，假設(shè)人臉測(cè)試圖像訓(xùn)練集有m個(gè)樣本，每個(gè)mini-batch(訓(xùn)練集的一個(gè)子集)有b個(gè)樣本，那么，整個(gè)訓(xùn)練集可以分成m/b個(gè)mini-batch，用ω表示一個(gè)mini-batch,用ωj表示第j輪迭代中所有mini-batch集合，有：ω＝{ωk：k＝1，2...m/b}。

其中，mini-batchgd算法流程如下：

repeate{

repente{

foreachωkinω：

}for(k＝1，2...m/b)

}

圖2為本發(fā)明實(shí)施例提供的人臉識(shí)別系統(tǒng)的模塊框圖；

可選地，作為本發(fā)明的一個(gè)實(shí)施例，如圖2所示，一種人臉識(shí)別系統(tǒng)，包括：

圖像對(duì)齊模塊，用于分別對(duì)樣本庫(kù)中的人臉樣本圖像和測(cè)試庫(kù)中的人臉測(cè)試圖像進(jìn)行對(duì)齊處理；

訓(xùn)練模塊，用于構(gòu)建多層特征融合卷積神經(jīng)網(wǎng)絡(luò)，通過所述多層特征融合卷積神經(jīng)網(wǎng)絡(luò)對(duì)對(duì)齊后的人臉樣本圖像進(jìn)行人臉特征識(shí)別訓(xùn)練，得到訓(xùn)練后的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)；

識(shí)別模塊，用于將對(duì)齊后的人臉測(cè)試圖像輸入完成訓(xùn)練的多層特征融合卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行人臉識(shí)別，從而識(shí)別出人臉測(cè)試圖像中的人臉。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述圖像對(duì)齊模塊包括：

landmark點(diǎn)檢測(cè)單元，用于利用回歸樹集合ensembleofregressiontrees算法對(duì)人臉樣本圖像和人臉測(cè)試圖像進(jìn)行人臉檢測(cè)，再根據(jù)人臉特征點(diǎn)檢測(cè)landmarks方法對(duì)檢測(cè)到的人臉進(jìn)行特征點(diǎn)檢測(cè)，分別獲得多個(gè)人臉樣本圖像的landmark點(diǎn)和多個(gè)人臉測(cè)試圖像的landmark點(diǎn)；

樣本圖像對(duì)齊單元，用于當(dāng)對(duì)齊人臉樣本圖像時(shí)，隨機(jī)從多個(gè)人臉樣本圖像的landmark點(diǎn)中選取預(yù)設(shè)的n個(gè)landmark點(diǎn)以及預(yù)設(shè)的標(biāo)準(zhǔn)人臉模板的landmark點(diǎn)，一并代入構(gòu)建的仿射矩陣h中，通過變換得到新仿射矩陣，根據(jù)新仿射矩陣的變換值來(lái)對(duì)齊人臉樣本圖像；其中n≥3；

測(cè)試圖像對(duì)齊單元，用于當(dāng)對(duì)齊人臉測(cè)試圖像時(shí)，隨機(jī)從多個(gè)人臉測(cè)試圖像的landmark點(diǎn)中選取預(yù)設(shè)的n個(gè)landmark點(diǎn)以及預(yù)設(shè)的標(biāo)準(zhǔn)人臉模板的landmark點(diǎn)，一并代入構(gòu)建的仿射矩陣h中，通過變換得到新仿射矩陣，根據(jù)新仿射矩陣的變換值來(lái)對(duì)齊人臉測(cè)試圖像。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述仿射矩陣h為

設(shè)仿射矩陣h各landmark點(diǎn)的坐標(biāo)為(x,y)，經(jīng)過仿射矩陣h變換后，得到各landmark點(diǎn)的新坐標(biāo)(x',y')

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述多層特征融合卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的卷積層conv1、池化層pool1、卷積層conv2、池化層pool2、卷積層conv3、池化層pool3和卷積層conv4；還包括與所述池化層pool1依次連接的卷積層conv6和卷積層conv7，與所述池化層pool2連接的卷積層conv5；所述卷積層conv4通過全連接層fc1與連接層concat連接，所述池化層pool3通過全連接層fc2與連接層concat連接，所述卷積層conv5通過全連接層fc3與連接層concat連接，所述卷積層conv7通過全連接層fc4與連接層concat連接；還包括分類層softmax，所述分類層softmax通過全連接層fc5與連接層concat連接。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述卷積層conv，用于對(duì)輸入的圖像進(jìn)行卷積運(yùn)算，并通過神經(jīng)元激活函數(shù)計(jì)算卷積的輸出；

所述池化層pool，用于對(duì)卷積層輸出的圖像進(jìn)行下采樣來(lái)減小圖像的尺寸；

所述全連接層fc，用于將上一層的任何一個(gè)神經(jīng)元節(jié)點(diǎn)都與下一層的所有神經(jīng)元節(jié)點(diǎn)連接；

所述連接層concat，用于將全連接層fc1、全連接層fc2、全連接層fc3和全連接層fc4中輸出的神經(jīng)元節(jié)點(diǎn)進(jìn)行特征融合；

所述分類層softmax，用于對(duì)各神經(jīng)元節(jié)點(diǎn)的輸入值進(jìn)行特征分類。

本發(fā)明與傳統(tǒng)的人臉識(shí)別方法相比，采用多層特征融合卷積神經(jīng)網(wǎng)絡(luò)的方法體現(xiàn)出更好的識(shí)別準(zhǔn)確率，卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)越深，其特征表達(dá)力越好，考慮了淺層特征的細(xì)節(jié)紋理的輸出，將淺層特征與深層特征相融合，使識(shí)別準(zhǔn)確性以及可靠性方面都得到很大程度的提升。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。