本發(fā)明涉及人臉識別技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的機器人識別用戶身份的方法和裝置。

背景技術(shù)：

隨著科學(xué)技術(shù)的高速發(fā)展，機器人制造技術(shù)也得以發(fā)展迅速，機器人的應(yīng)用已逐步進(jìn)入家庭服務(wù)行業(yè)。

物業(yè)服務(wù)機器人是一種不受環(huán)境、溫度的影響，能夠動態(tài)地實現(xiàn)對用戶身份識別的機器人，該類機器人需要在用戶身份識別方面有卓越的辨識能力。

因此，如何提高機器人識別用戶身份的識別率、正確率非常關(guān)鍵。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供一種識別用戶身份的方法和裝置，以提高機器人識別用戶身份的識別率、正確率。技術(shù)方案如下：

基于本發(fā)明的一方面，本發(fā)明提供一種識別用戶身份的方法，包括：

檢測人臉圖片；

將所述人臉圖片輸入至人臉識別模型，利用所述人臉識別模型計算得到所述人臉圖片的深度特征向量；

計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值，所述預(yù)存的深度特征向量組包括多個預(yù)存深度特征向量，所述預(yù)存深度特征向量與用戶身份信息一一對應(yīng)；

確定出距離值最小時對應(yīng)的目標(biāo)預(yù)存深度特征向量；

確定所述目標(biāo)預(yù)存深度特征向量對應(yīng)的用戶身份信息為所述人臉圖片中用戶的身份。

優(yōu)選地，所述人臉識別模型為深度卷積神經(jīng)網(wǎng)絡(luò)Deep CNN人臉識別模型。

優(yōu)選地，所述檢測人臉圖片之前，所述方法還包括：

基于大量的人臉數(shù)據(jù)，采用前向傳播和后向傳播的方法來訓(xùn)練所述大量的人臉數(shù)據(jù)，以得到所述Deep CNN人臉識別模型。

優(yōu)選地，所述計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值包括：

采用最臨近KNN最近距離算法計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值。

基于本發(fā)明的另一方面，本發(fā)明還提供一種識別用戶身份的裝置，包括：

圖片檢測單元，用于檢測人臉圖片；

圖片處理單元，用于將所述人臉圖片輸入至預(yù)設(shè)的人臉識別模型，利用所述人臉識別模型計算得到所述人臉圖片的深度特征向量；

距離計算單元，用于計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值，所述預(yù)存的深度特征向量組包括多個預(yù)存深度特征向量，所述預(yù)存深度特征向量與用戶身份信息一一對應(yīng)；

第一確定單元，用于確定出距離值最小時對應(yīng)的目標(biāo)預(yù)存深度特征向量；

第二確定單元，用于確定所述目標(biāo)預(yù)存深度特征向量對應(yīng)的用戶身份信息為所述人臉圖片中用戶的身份。

優(yōu)選地，所述人臉識別模型為深度卷積神經(jīng)網(wǎng)絡(luò)Deep CNN人臉識別模型。

優(yōu)選地，還包括：

模型訓(xùn)練單元，用于基于大量的人臉數(shù)據(jù)，采用前向傳播和后向傳播的方法來訓(xùn)練所述大量的人臉數(shù)據(jù)，以得到所述Deep CNN人臉識別模型。

優(yōu)選地，所述距離計算單元具體用于，采用最臨近KNN最近距離算法計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值。

本發(fā)明提供的識別用戶身份的方法包括：檢測人臉圖片；將所述人臉圖片輸入至預(yù)設(shè)的人臉識別模型，利用所述人臉識別模型計算得到所述人臉圖片的深度特征向量；計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值，所述預(yù)存的深度特征向量組包括多個預(yù)存深度特征向量，所述預(yù)存深度特征向量與用戶身份信息一一對應(yīng)；確定出距離值最小時對應(yīng)的目標(biāo)預(yù)存深度特征向量；確定所述目標(biāo)預(yù)存深度特征向量對應(yīng)的用戶身份信息為所述人臉圖片中用戶的身份。本發(fā)明利用人臉識別模型計算得到人臉圖片的深度特征向量，進(jìn)而通過計算深度特征向量與各預(yù)存深度特征向量間的距離值，確定出距離值最小時對應(yīng)的目標(biāo)預(yù)存深度特征向量，將該目標(biāo)預(yù)存深度特征向量對應(yīng)的用戶身份信息為所述人臉圖片中用戶的身份，本發(fā)明提高了機器人識別用戶身份的識別率、正確率。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明提供的一種識別用戶身份的方法的流程圖；

圖2為本發(fā)明提供的一種識別用戶身份的裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

請參閱圖1，其示出了本發(fā)明提供的一種識別用戶身份的方法的流程圖，包括：

步驟101，檢測人臉圖片。

其中，人臉圖片指的是包括人臉信息的圖片。一般的，本發(fā)明可以利用攝像頭等攝像裝置捕捉人臉圖片，當(dāng)攝像裝置捕捉到人臉圖片后，本發(fā)明可以從攝像裝置處主動獲取或被動接收到所述人臉圖片。

步驟102，將所述人臉圖片輸入至人臉識別模型，利用所述人臉識別模型計算得到所述人臉圖片的深度特征向量。

本發(fā)明中，人臉識別模型具體為Deep CNN(Deep Convolutional Neural Networks，深度卷積神經(jīng)網(wǎng)絡(luò))人臉識別模型。

特別的，在實現(xiàn)本發(fā)明步驟101前還應(yīng)包括：步驟100，基于大量的人臉數(shù)據(jù)，采用前向傳播(Forward Propagation)和后向傳播(Back Propagation)的方法來訓(xùn)練所述大量的人臉數(shù)據(jù)，以得到所述Deep CNN人臉識別模型。

本發(fā)明中的Deep CNN人臉識別模型為基于多層CNN(>10層)架構(gòu)的百萬級參數(shù)的Deep CNN人臉識別模型，該Deep CNN人臉識別模型的基礎(chǔ)為深度卷積神經(jīng)網(wǎng)絡(luò)，該深度卷積神經(jīng)網(wǎng)絡(luò)具有37層，包括16個卷積層，且在該網(wǎng)絡(luò)中包括百萬級的參數(shù)。其中該網(wǎng)絡(luò)中包括的百萬級的參數(shù)必須通過大量標(biāo)定好的人臉圖(幾十萬人臉級別)不斷迭待監(jiān)督訓(xùn)練學(xué)習(xí)(supervised learning)，調(diào)整模型參數(shù)值以達(dá)到訓(xùn)練數(shù)據(jù)庫人臉識別率最小化。

為了使模型參數(shù)能夠更好地區(qū)分不同地域的不同人臉，例如亞洲人臉，訓(xùn)練樣本集中需要收集大量的亞洲人臉數(shù)據(jù)，通過對收集的大量的亞洲人臉數(shù)據(jù)的訓(xùn)練，才能保證得到的最深層的深度特征向量具有很強的區(qū)分不同人臉的能力。

具體在本發(fā)明實施例中，首先需要設(shè)定好Deep CNN人臉識別模型的結(jié)構(gòu)，即本發(fā)明采用多層的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，包括卷積層、pooling層、relu層、全連接層、softmax分類以及triploss層。訓(xùn)練過程中是訓(xùn)練卷積層核函數(shù)、全連接層鏈接權(quán)、softmax分類層以及triplet loss層的參數(shù)。在本發(fā)明實際應(yīng)用過程中，以歸一化之后的人臉照片數(shù)據(jù)作為輸入數(shù)據(jù)，以對應(yīng)的人臉的標(biāo)定數(shù)據(jù)作為輸出，以softmax損失函數(shù)為目標(biāo)函數(shù)。具體如，將人臉圖片的檢測結(jié)果經(jīng)過校準(zhǔn)之后歸一化到224×224，輸入到Deep CNN人臉識別模型后便可得到一深度特征向量。

步驟103，計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值。

其中，所述預(yù)存的深度特征向量組包括多個預(yù)存深度特征向量，所述預(yù)存深度特征向量與用戶身份信息一一對應(yīng)。

在本發(fā)明實際應(yīng)用過程中，每一名用戶的人臉對應(yīng)一個深度特征向量，本發(fā)明可以將每個用戶對應(yīng)的深度特征向量預(yù)存在深度特征向量組中，因此本發(fā)明中的深度特征向量組中包括上千維的深度特征向量。

具體的，本發(fā)明可以采用KNN(k-Nearest Neighbor，最臨近)最近距離算法，依次計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值。KNN為經(jīng)典的分類算法:輸入樣本的分類由其最近K個鄰居分類的“多數(shù)表決”確定。當(dāng)K＝1時，樣本的分類即賦為其最近鄰居的分類。

本發(fā)明中，經(jīng)過大量數(shù)據(jù)監(jiān)督訓(xùn)練，同一人的人臉圖片的深度特征向量之間的距離(如歐式距離)比不同人的人臉圖片之間的距離近，即同一人的人臉圖片的深度特征向量之間的距離值會最小。因此本發(fā)明將計算得到的人臉圖片的深度特征向量與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量一一匹配計算距離值。

步驟104，確定出距離值最小時對應(yīng)的目標(biāo)預(yù)存深度特征向量。

步驟105，確定所述目標(biāo)預(yù)存深度特征向量對應(yīng)的用戶身份信息為所述人臉圖片中用戶的身份。

因此應(yīng)用本發(fā)明提供的識別用戶身份的方法，通過利用人臉識別模型計算得到人臉圖片的深度特征向量，進(jìn)而通過計算深度特征向量與各預(yù)存深度特征向量間的距離值，確定出距離值最小時對應(yīng)的目標(biāo)預(yù)存深度特征向量，將該目標(biāo)預(yù)存深度特征向量對應(yīng)的用戶身份信息為所述人臉圖片中用戶的身份，本發(fā)明提高了機器人識別用戶身份的識別率、正確率。

基于前文本發(fā)明提供的一種識別用戶身份的方法，本發(fā)明還提供一種識別用戶身份的裝置，如圖2所示，包括：

圖片檢測單元100，用于檢測人臉圖片；

圖片處理單元200，用于將所述人臉圖片輸入至預(yù)設(shè)的人臉識別模型，利用所述人臉識別模型計算得到所述人臉圖片的深度特征向量；

距離計算單元300，用于計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值，所述預(yù)存的深度特征向量組包括多個預(yù)存深度特征向量，所述預(yù)存深度特征向量與用戶身份信息一一對應(yīng)；

第一確定單元400，用于確定出距離值最小時對應(yīng)的目標(biāo)預(yù)存深度特征向量；

第二確定單元500，用于確定所述目標(biāo)預(yù)存深度特征向量對應(yīng)的用戶身份信息為所述人臉圖片中用戶的身份。

其中，所述人臉識別模型為Deep CNN人臉識別模型。

所述裝置還包括：

模型訓(xùn)練單元600，用于基于大量的人臉數(shù)據(jù)，采用前向傳播和后向傳播的方法來訓(xùn)練所述大量的人臉數(shù)據(jù)，以得到所述Deep CNN人臉識別模型。

所述距離計算單元300具體用于，采用KNN最近距離算法計算所述深度特征向量分別與預(yù)存的深度特征向量組中的每個預(yù)存深度特征向量之間的距離值。

需要說明的是，本說明書中的各個實施例均采用遞進(jìn)的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。對于裝置類實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上對本發(fā)明所提供的一種識別用戶身份的方法和裝置進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進(jìn)行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。