一种基于AI技术的人脸识别系统及方法

本发明属于图像识别领域，更具体的说涉及一种基于ai技术的人脸识别系统。

背景技术：

1、在当前社会，智慧社区或智慧乡村已成为智能化城市建设的重要组成部分。其中，安全监控系统作为这一建设的重要元素，起着无可替代的关键作用。人脸识别技术作为安全监控系统的核心技术，已被大量应用于出入口管理、实时监控、异常事件预警、老人小孩走失追踪等多个领域。

2、智慧社区与智慧乡村中，大量的监控设备被分布在各个角落，24小时不间断的工作，获取海量的图像信息。基于这些信息，人脸识别技术可以帮助管理者实时了解社区乡村内的安全情况，并能及时做出反应。甚至在一些情况下，可以通过分析行人的行为模式和路径，提前预警并处置潜在的安全问题，极大地提高了社区乡村的安全管理效率。

3、然而，尽管现有的人脸识别技术在某些场景中已经可以满足需求，但在大规模和动态变化的智慧社区和智慧乡村环境中，还暴露出许多问题和挑战。如数据规模大，环境复杂，人脸信息多变等问题，这都对人脸识别技术的精准度和稳定性提出了较高的要求。此外，如何在尽可能短的时间内处理海量的图像信息，正确识别出人脸，也是现有技术亟待解决的问题。

技术实现思路

1、本发明利用递增式卷积神经网络和稀疏自编码器设计了一种新型的人脸识别系统，旨在有效应对大规模动态数据处理、提高人脸识别准确性，挖掘数据内部结构，并能很好地应对环境变化，适宜在智慧社区和智慧乡村等大规模实际场景中部署。

2、为了实现上述目的，本发明是采用以下技术方案实现的：所述的方法包括

3、步骤1、首先采集进行人脸识别的图像；

4、步骤2、采集的图像通过预处理算法进行去噪和归一化处理，使图像达到最佳的识别条件；

5、步骤3、预处理后的图像输入到递增式卷积神经网络i nccnn中，对图像进行特征提取；随着模型训练的进行，i nccnn会不断更新并增加新的隐藏层；

6、步骤4、提取到的高维特征使用稀疏自编码器sae进行降维和编码；

7、步骤5、系统将降维编码后的特征与已有的人脸特征库进行匹配，进行人脸识别；

8、步骤6、匹配成功后，输出对应的识别结果。若没有匹配成功，则输出无匹配结果。

9、进一步地，所述的步骤3特征提取如下：

10、(1)卷积操作：每层卷积神经网络都会有多个卷积核，对输入图像进行卷积操作，在2d图像上执行卷积，卷积过程可以表示为：

11、y{i,j}＝σ((k*x){i,j}+b)   (1)

12、其中，x代表输入图像，k表示卷积核，*表示卷积操作，(k*x){i,j}表示在位置(i,j)上面的卷积结果，σ表示激活函数，y{i,j}则表示生成的特征图像在(i,j)位置的像素值；

13、(2)使用一个激活函数对特征图进行处理，relu函数在(x>0)处为线性，在(x<0)处为0；

14、g(x)＝max(0,x)  (2)

15、其中，g(x)为激活函数的输出，x为激活函数的输入；通过以上步骤，将输入图像转化为一组特征图，即完成特征提取。

16、进一步地，所述的步骤3增加新的隐藏层详细步骤如下：

17、s301初始化一个简单的卷积神经网络模型，该网络包含一定数量的卷积层和/或全连接层；

18、s302训练初始化的神经网络模型，计算损失函数，通过反向传播更新权重参数；

19、s303在验证集上评估当前网络模型的性能；

20、s304如果在验证集上的性能已经达到设定的目标或者超过一定的epoch训练仍然没有显著提升，则判断网络的容量(即模型的复杂度)不足，需要增加新的隐藏层；否则继续训练；

21、s305增加新层：在现有网络的基础上，在适当的位置，增加新的隐藏层；新增的层为卷积层或全连接层；

22、s306重复：将增加隐藏层后的新网络作为当前网络，重复s302-s305的过程。

23、进一步地，所述的步骤4、特征编码详细步骤如下：特征编码阶段主要使用了稀疏自编码器sae对高维特征进行降维和编码；

24、s401编码过程，将人脸提取得到的高维特征输入到sae中，经过一个编码函数f得到一个低维的隐藏表示h；这个过程表示如下：

25、h＝f(w*x+b)   (3)

26、其中，w是权重矩阵，b是偏执向量，f是非线性激活函数，x是输入的人脸特征，h是编码后的低维特征；

27、s402解码过程:隐藏表示h进一步经过解码函数g得到一个重构的特征x'，这个过程表示如下；

28、x'＝g(w'*h+b')  (4)

29、其中，w'是解码器的权重矩阵，b'是解码器的偏置向量，g是解码器的激活函数，x'是解码后的重构特征；

30、s403优化过程：sae通过优化目标函数j来对w，b，w'，b'进行更新，进一步提高编码效果，稀疏自编码器的优化目标包括两模块，一是最小化重构误差，二是满足稀疏性约束，用数学公式表示为；

31、j(w,b,w',b')＝σ||x-x'||2+λ*σ|hj|  (5)

32、其中，σ||x-x'||2是重构误差项，代表原始输入x与重构的输入x'的mse误差；λ*σ|hj|是稀疏性约束，代表隐藏节点的绝对值的求和，其中λ是调控稀疏性惩罚力度的参数，j是隐藏层节点索引；目标任务就是用优化方法迭代更新w与b的值，使得目标函数j达到最小。

33、进一步地，所述的步骤5匹配识别具体包括以下步骤：

34、s501特征比对，将经过稀疏自编码器sae降维编码后的特征与已记录的人脸特征库进行比对；采用计算特征向量之间的余弦相似度进行，

35、公式可表示为：

36、

37、其中，x·y表示x和y的点积，||x||和||y||分别表示x和y的模，通过求每个向量的欧氏距离得到；

38、对于欧氏距离，公式可表示为：

39、

40、其中，x表示待识别的人脸特征，y表示人脸特征库中的一个人脸特征，i表示特征向量的维度，σi表示对所有维度进行求和；

41、s502计算阈值：设置一个阈值t，当特征之间的欧式距离或余弦相似度高于这个阈值时，待识别的人脸与人脸库中的某个人脸是同一人。

42、再一方面，一种基于ai技术的人脸识别系统，所述的系统适用于所述的方法，所述的系统包括：

43、数据输入模块、数据预处理模块、递增式卷积神经网络inccnn模块、稀疏自编码器sae模块、特征匹配模块、输出模块；

44、所述的数据输入模块与数据预处理模块连接：数据输入模块采集到的人脸图像数据会送入数据预处理模块进行预处理；

45、所述的数据预处理模块与递增式卷积神经网络inccnn模块连接：预处理过的图像数据将输入至inccnn进行特征提取；

46、所述的递增式卷积神经网络inccnn模块与稀疏自编码器sae模块连接：i nccnn提取的特征将进入sae进行降维和编码；

47、所述的稀疏自编码器sae模块与特征匹配模块连接：sae输出的降维编码后的特征将用于特征匹配模块与已有的人脸特征库进行匹配；

48、所述的特征匹配模块与输出模块连接：特征匹配模块根据匹配结果来决定输出模块的输出内容，如果找到匹配的特征，则输出相应的识别结果，没有找到匹配的特征则输出无匹配结果。

49、本发明有益效果：

50、提高识别效率和准确性：递增式卷积神经网络和稀疏自编码器的结合为人脸识别提供了新颖的解决方案，提高人脸识别的准确性，并强化识别效率，适应大规模和动态数据集。

51、对智慧社区和智慧乡村管理提供积极支持：基于本发明的人脸识别系统不仅能提高对居民的身份识别精准度，也可协助进行异常行为分析，提升社区乡村的安全级别和管理水平。

52、较好兼顾效率和精度：本发明较好地解决了现有技术中提升识别精度会使得计算复杂度增加的问题，稀疏自编码器能有效地进行特征压缩，大大减少了计算量，提高了运算速度，使得系统能在保持较高精度的同时，实现较为快速的识别。