基于深度学习的人脸数据采集分析方法、系统及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于深度学习的人脸数据采集分析方法、系统及存储介质。

背景技术

深度学习技术以其优异的模式识别和数据提取能力，为处理高度变化、多样性的人脸数据提供可靠解决方案。在人脸识别、安全监控、个性化服务等领域，这种系统能够确保数据的高效处理和准确分析。同时为了满足数据量的增长和复杂性带来的挑战。深度学习提供一种更快速、更精确地识别人脸特征的方法，能够处理大规模的数据并从中提取有用的信息。然而，现有的基于深度学习的人脸数据采集分析方法、系统及存储介质由于数据样本存在偏差或细节识别的精确度不足，导致系统容易收到对抗攻击，生成错误识别结果。

发明内容

基于此，有必要提供一种基于深度学习的人脸数据采集分析方法，以解决至少一个上述技术问题。

为实现上述目的，一种基于深度学习的人脸数据采集分析方法，所述方法包括以下步骤：

步骤S1：利用摄像头设备进行用户人像采集，生成人脸录入数据；对人脸录入数据进行逐帧分解，生成人脸图像帧数据；对人脸图像帧数据进行变化帧提取，生成多角度人脸数据与多光影人脸数据；

步骤S2：构建人脸识别层次模型；利用多角度人脸数据与多光影人脸数据对人脸识别层次模型进行模型扩充训练以及相同帧选取，生成人脸识别扩充模型以及二元变化帧数据；利用二元变化帧数据对人脸识别扩充模型进行模型训练成果检验，生成人脸识别模型；

步骤S3：根据二元变化帧数据进行特征合成，生成特征合成数据；根据二元变化帧数据进行特征修改，生成特征复杂改变数据；

步骤S4：利用人脸识别模型对特征合成数据与特征复杂改变数据对人脸识别模型进行模型优化，生成优化人脸识别模型；利用优化人脸识别模型进行实时人脸识别，生成实时识别结果数据。

本发明通过摄像头采集用户人像，生成人脸录入数据，以得到原始数据。逐帧分解录入数据，生成人脸图像帧数据。有助于分离不同帧间的变化，捕捉面部特征随时间的变化。从图像帧数据中提取角度和光影的变化，创建多角度人脸数据和多光影人脸数据。这扩展了数据集，使系统更能适应不同拍摄条件和光照情况。利用多角度和多光影人脸数据对人脸识别模型进行扩充训练，生成可适应更多条件的模型。从而提高模型的适应性和泛化能力。通过多角度和多光影人脸数据进行相同帧选取，生成二元变化帧数据。这样的数据记录了人脸特征在不同帧之间的变化，为后续模型验证提供数据支持。最终生成经过多步骤训练和验证的人脸识别模型。该模型在训练过程中使用了多角度和光影数据，使其更准确、鲁棒，并能应对不同光影和角度的情况。根据二元变化帧数据，将关键特征合成，使其更具代表性和稳定性。有助于弥补特征数据中可能存在的缺失或不足，提高模型对于特定特征的识别能力。通过对二元变化帧数据进行特征调整，生成特征复杂改变数据。反映了人脸特征的微小变化，为模型提供更多复杂性的训练数据，增强模型对于特征变化的识别能力。利用特征合成数据和特征复杂改变数据对人脸识别模型进行优化。以强化模型对于特征的识别和分析，提高模型的鲁棒性和准确性。基于优化后的人脸识别模型，进行实时人脸识别并生成实时识别结果数据。反映了模型在实际场景中的应用效果，对系统性能和识别准确度进行了验证。因此，本发明的基于深度学习的人脸数据采集分析方法、系统及存储介质通过扩充训练人脸识别层次模型，以提高录入人脸的识别度。通过调整图像获取帧数，获取人脸特征的动态变化，以识别可能出现的对抗样本，从而提高人脸识别的准确度以及节省计算资源。

优选地，步骤S1包括以下步骤：

步骤S11：利用摄像头设备进行用户人像采集，生成人脸录入数据；

步骤S12：对人脸录入数据进行逐帧分解，生成人脸图像帧数据；

步骤S13：对人脸图像帧数据进行图像锐化处理，生成清晰人脸图像数据；

步骤S14：对清晰人脸图像数据进行人脸边缘差值评估，生成边缘差值评估数据；根据边缘差值评估数据进行角度变化帧提取，生成多角度人脸数据；

步骤S15：对人脸图像帧数据进行光流估计，生成图像帧光流数据；根据图像帧光流数据进行光影变化帧提取，生成多光影人脸数据。

本发明通过利用摄像头设备采集用户人像，形成初始的人脸录入数据，作为基础数据。将人脸录入数据进行逐帧分解，得到一系列的图像帧数据。能够被用于分析特定特征在不同帧间的变化。将人脸录入数据进行逐帧分解，得到一系列的图像帧数据。被用于分析特定特征在不同帧间的变化。通过人脸边缘差值评估，生成描述人脸轮廓和边缘的数据。有助于提取人脸的边缘特征和变化情况。基于边缘差值评估数据进行角度变化帧提取，生成多个角度的人脸数据。以捕捉到不同角度下人脸的特征变化，为模型提供更多样化的训练数据。通过光流估计技术，产生描述图像中像素运动情况的数据。有助于了解图像帧中不同像素的移动和变化。基于图像帧光流数据进行光影变化帧提取，生成多个光影下的人脸数据。有助于模型理解不同光照条件下的人脸特征变化，增强模型的鲁棒性和适应能力。

优选地，步骤S2包括以下步骤：

步骤S21：构建人脸识别层次模型；

步骤S22：利用人脸识别层次模型对多角度人脸数据进行人脸轮廓特征提取，生成人脸特征数据；

步骤S23：利用人脸识别层次模型，并基于人脸特征数据对多光影人脸数据进行人脸特征捕捉，生成光影特征变化数据；

步骤S24：根据人脸特征数据与光影变化特征数据对人脸识别层次模型进行梯度更新，生成人脸识别扩充模型；

步骤S25：通过多角度人脸数据对多光影人脸数据进行相同帧选取，生成二元变化帧数据；

步骤S26：利用人脸识别扩充模型对二元变化帧数据进行人脸识别决策，生成人脸识别结果数据；

步骤S27：根据人脸识别结果数据进行模型训练成果检验，当人脸识别结果数据均为成功识别，生成人脸识别模型；当人脸识别结果数据包含未成功识别，则再次进行特征提取以及扩充训练，直至生成人脸识别模型。

本发明通过创建人脸识别层次模型，用于处理不同级别的特征或复杂性。通过人脸识别层次模型对多角度人脸数据进行分析，提取人脸轮廓特征。有助于识别和记录人脸的基本特征，如脸部形状、关键点位置等。利用人脸识别层次模型和已提取的人脸特征数据，捕捉多光影条件下人脸特征的变化。通过人脸特征数据和光影变化特征数据对人脸识别层次模型进行梯度更新，生成人脸识别扩充模型。通过模型更新和迭代优化，增强模型对不同光影条件和人脸特征的理解和识别能力。基于多角度人脸数据和多光影人脸数据，进行相同帧选取，生成二元变化帧数据。通过人脸识别扩充模型对二元变化帧数据进行识别决策，生成人脸识别结果数据。提供对模型性能在实际数据上的表现评估。根据人脸识别结果数据进行模型训练成果检验。如果所有数据都成功识别，将生成最终的人脸识别模型。这个模型基于实际数据训练，具有好的准确性和鲁棒性。如果识别结果中包含未成功识别的数据，系统会再次进行特征提取和模型扩充训练，通过迭代训练，不断提升模型的能力以应对更多复杂场景，直至成功生成人脸识别模型。

优选地，步骤S21包括以下步骤：

步骤S211：获取多人脸变化数据；对多人脸变化数据进行最多表情变化提取，生成单人表情样本数据；对多人脸变化数据进行最多光影变化提取，生成单人光影样本数据；

步骤S212：对单人表情样本数据进行人脸表情识别，生成表情识别结果；根据表情识别结果对单人样本数据进行表情分类，生成表情分类样本数据；

步骤S213：对单人表情样本数据进行脸型轮廓提取，生成单人轮廓特征数据；利用表情分类样本数据对单人轮廓特征数据进行轮廓特征补充，生成轮廓变化数据；利用轮廓变化数据进行卷积模型训练，生成特征识别初始模型；

步骤S214：利用多人脸变化数据对特征识别初始模型进行模型优化训练，生成轮廓特征识别模型；利用轮廓特征识别模型对多人脸变化数据进行人脸特征提取，生成人脸轮廓特征数据；

步骤S215：利用单人光影样本数据进行模型训练，生成光影特征识别模型与光影识别结果数据；利用人脸轮廓特征数据对光影识别结果数据进行识别结果比对，生成识别结果比对数据；利用识别结果比对数据对光影特征识别模型进行模型迭代优化，生成光影变化特征模型；

步骤S216：根据多人脸变化数据对光影变化特征模型进行模型优化训练，生成特征捕捉模型；利用特征捕捉模型对多人脸变化数据进行光影变化特征捕捉，生成特征捕捉数据；

步骤S217：根据人脸轮廓特征数据与特征捕捉数据进行决策模型训练，生成识别决策模型；

步骤S218：将特征识别模型、特征捕捉模型与识别决策模型进行模型级联处理，生成人脸识别层次模型。

本发明通过获取多人脸变化数据，提取出最多表情变化的特征，生成单人表情样本数据。即不同表情下人脸的特征变化情况。从多人脸变化数据中提取出最多光影变化的特征，生成单人光影样本数据。用于捕捉不同光影条件下人脸特征的变化。对单人表情样本数据进行人脸表情识别，生成表情识别结果。以描述模型对于单人表情的识别情况。根据表情识别结果，对单人样本数据进行表情分类，生成表情分类样本数据。用于模型对不同表情进行分类训练，提高模型在区分和识别不同表情上的准确性。对单人表情样本数据进行脸型轮廓提取，生成单人轮廓特征数据。以描述人脸的轮廓和形状特征。利用表情分类样本数据对单人轮廓特征数据进行补充，生成轮廓变化数据。以记录人脸轮廓特征在不同表情下的变化。利用轮廓变化数据进行卷积模型训练，生成特征识别初始模型。利用多人脸变化数据对特征识别初始模型进行优化训练，生成轮廓特征识别模型。通过更多数据的训练和优化，能够更准确地识别人脸的轮廓特征。用轮廓特征识别模型对多人脸变化数据进行特征提取，生成人脸轮廓特征数据。以描述不同人脸的轮廓特征，对模型训练提供更多样化的数据支持。利用单人光影样本数据进行模型训练，生成光影特征识别模型和光影识别结果数据。能够识别人脸在不同光影条件下的特征变化。利用人脸轮廓特征数据对光影识别结果数据进行比对，生成识别结果比对数据。可以用于验证和优化模型的识别准确性。利用识别结果比对数据对光影特征识别模型进行迭代优化，生成更精确的光影变化特征模型。根据多人脸变化数据对光影变化特征模型进行优化训练，生成特征捕捉模型。以更好地捕捉和理解人脸在不同光影条件下的特征变化。利用特征捕捉模型对多人脸变化数据进行处理，生成更准确和全面的光影变化特征捕捉数据。基于人脸轮廓特征数据与特征捕捉数据进行决策模型训练，生成识别决策模型。整合了轮廓特征和光影变化特征，用于做出最终的人脸识别决策。进行模型级联处理，生成人脸识别层次模型。通过综合不同模型的输出，能够综合考虑和分析不同特征的综合信息，提高识别的鲁棒性和准确性。

优选地，步骤S3包括以下步骤：

步骤S31：利用二元变化帧数据进行已识别特征获取，生成已识别特征数据；

步骤S32：通过人脸轮廓特征数据对已识别特征数据进行特征合成，生成特征合成数据；

步骤S33：对二元变化帧数据进行姿态演变，生成多姿态人脸数据；

步骤S34：利用变化检验公式对多姿态人脸数据进行姿态变化计算，生成姿态变化分数数据；

步骤S35：利用姿态变化分数数据对多姿态人脸数据进行失态图像筛除，生成标准姿态变化数据；

步骤S36：根据已识别特征数据对标准姿态变化数据进行细微特征变换，生成特征复杂改变数据。

本发明通过二元变化帧数据进行已识别特征获取，得到已识别特征数据。利用人脸轮廓特征数据对已识别特征数据进行特征合成，生成特征合成数据。将已识别特征与人脸轮廓特征合成，生成简单变化的人脸数据，即对抗人脸数据。通过对二元变化帧数据进行姿态演变，产生多姿态人脸数据。描述了人脸在不同姿态下的变化，为模型提供更全面的训练数据。通过变化检验公式对多姿态人脸数据进行姿态变化计算，得到姿态变化分数数据。这些分数描述了人脸在不同姿态下的变化程度，用于评估其变化情况。用姿态变化分数数据对多姿态人脸数据进行失态图像筛除，生成标准姿态变化数据。排除了失态图像，保留了符合标准的姿态变化数据，使得模型训练更加准确和稳定。根据已识别特征数据对标准姿态变化数据进行细微特征变换，生成特征复杂改变数据。为模型提供更多样化和全面的训练数据。

优选地，步骤S34中的变化检验公式如下所示：

式中，F为姿态变化分数，e为自然对数的底数，N为不同姿态的总数量，a

本发明构造了一种变化检验公式，用于对多姿态人脸数据进行姿态变化计算，生成姿态变化分数数据，以评估姿态变化得到的人脸图像是否存在不符合原有人脸构造的数据。该公式充分考虑了自然对数的底数e，不同姿态的总数量N，第i个姿态的横坐标a

通过

优选地，步骤S4包括以下步骤：

步骤S41：利用人脸识别模型对特征合成数据进行简单变化人脸识别，生成简易变化识别数据；利用简易变化识别数据对人脸识别模型进行迭代优化，生成识别初次优化模型；

步骤S42：利用识别初次优化模型对特征复杂改变数据进行复杂变化人脸识别，生成复杂变化识别数据；利用复杂变化识别数据对识别初次优化模型进行再次优化，生成优化人脸识别模型；

步骤S43：获取识别等级数据；根据识别等级数据进行帧数设定，得到预设图像获取帧数；

步骤S44：根据预设图像获取帧数对进行人脸图像获取，生成首帧人脸数据；

步骤S45：根据人脸边缘计算公式对首帧人脸数据进行边缘清晰度评估，生成清晰度评估数据；

步骤S46：根据清晰度评估数据对预设图像获取帧数进行数值调整，生成调整图像获取帧数；

步骤S47：根据调整图像获取帧数进行人脸图像获取，生成实时人脸图像数据；

步骤S48：利用优化人脸识别模型对实时人脸图像数据进行逐帧识别，生成实时识别结果数据。

本发明通过人脸识别模型对特征合成数据进行简单变化人脸识别，生成简易变化识别数据。有助于模型对简单变化的对抗人脸数据进行学习和识别。从而生成识别初次优化模型，提升模型的识别能力。利用识别初次优化模型对特征复杂改变数据进行复杂变化人脸识别，让模型对姿态变化并改变细微特征的对抗人脸图像数据进行学习和识别，生成复杂变化识别数据。用复杂变化识别数据对识别初次优化模型进行再次优化，生成优化人脸识别模型，提升了模型的鲁棒性和准确性。通过获取用户要求的识别等级数据，以确定预设图像获取帧数。所要求的等级越高，对应的获取帧数越大。根据预设图像获取帧数进行人脸图像获取，生成首帧人脸数据。利用人脸边缘计算公式对首帧人脸数据进行边缘清晰度评估，生成清晰度评估数据。用于判断人脸图像的清晰度，判断是否存在曝光、暗光导致清晰度不足。根据清晰度评估数据对预设图像获取帧数进行数值调整，生成调整图像获取帧数。有助于更精准地获取更清晰的人脸图像。根据调整后的图像获取帧数进行人脸图像获取，得到实时人脸图像数据。利用优化人脸识别模型对实时人脸图像数据进行逐帧识别，生成逐帧识别结果数据。根据逐帧识别结果数据进行实时识别结果评估，得到实时识别结果数据。

优选地，步骤S45中的人脸边缘计算公式如下所示：

式中，S为图像边缘清晰度，X为边缘横坐标范围，Y为边缘纵坐标范围，

本发明构造了一种人脸边缘计算公式，用于对首帧人脸数据进行边缘清晰度评估，生成清晰度评估数据，以调节获取帧数。该公式充分考虑了边缘横坐标范围X，边缘纵坐标范围Y，横坐标x的导数

通过

9.一种基于深度学习的人脸数据采集分析系统，其特征在于，用于执行如权利要求1所述的基于深度学习的人脸数据采集分析方法，该基于深度学习的人脸数据采集分析系统包括：

人脸数据采集模块，用于利用摄像头设备进行用户人像采集，生成人脸录入数据；对人脸录入数据进行逐帧分解，生成人脸图像帧数据；对人脸图像帧数据进行变化帧提取，生成多角度人脸数据与多光影人脸数据；

识别模型扩充训练模块，用于构建人脸识别层次模型；利用多角度人脸数据与多光影人脸数据对人脸识别层次模型进行模型扩充训练以及相同帧选取，生成人脸识别扩充模型以及二元变化帧数据；利用二元变化帧数据对人脸识别扩充模型进行模型训练成果检验，生成人脸识别模型；

对抗人脸生成模块，用于根据二元变化帧数据进行特征合成，生成特征合成数据；根据二元变化帧数据进行特征修改，生成特征复杂改变数据；

识别模型优化模块，用于利用人脸识别模型对特征合成数据与特征复杂改变数据对人脸识别模型进行模型优化，生成优化人脸识别模型；利用优化人脸识别模型进行实时人脸识别，生成实时识别结果数据。

10.一种基于深度学习的人脸数据采集分析存储介质，其特征在于，所述计算机可读存储介质上存储有基于深度学习的人脸数据采集分析系统，所述基于深度学习的人脸数据采集分析系统被处理器执行时实现如权利要求1所述的基于深度学习的人脸数据采集分析方法。

本申请的有益效果在于，本发明集合了人脸不同角度和光影下的变化，为模型提供了更丰富和全面的数据，有助于模型更好地学习和识别不同人脸状态。逐帧分解生成了人脸图像帧数据，提供了连续的数据流，有助于模型对动态变化的人脸进行学习，同时，变化帧提取产生了不同帧间的变化，增加了数据的多样性。通过模型扩充训练和二元变化帧数据，模型得到了更多的训练机会和更具挑战性的数据，有助于提升模型对复杂情况下的人脸识别能力。通过模型训练成果检验，生成了经过验证的人脸识别模型，这样的模型能更可靠地进行人脸识别，提高了识别的准确性和稳定性。通过特征合成数据与特征复杂改变数据生成，这些数据反映了通过对抗生成的不同人脸特征，有助于模型更全面地理解人脸变化，包括由合成和复杂改变导致的特征差异。通过利用特征合成数据与特征复杂改变数据对人脸识别模型进行优化，模型能更好地适应对抗生成的人脸数据。提高了模型的鲁棒性和对复杂变化的识别能力。该迭代优化过程，以对抗生成数据为依托，使模型在面对不确定性、对抗性输入时更为稳健。利用优化后的人脸识别模型进行实时人脸识别，生成了实时识别结果数据。这些数据反映了模型在实时场景下的表现，可以用于进一步改进模型和提升识别准确性。因此，本发明的基于深度学习的人脸数据采集分析方法、系统及存储介质通过扩充训练人脸识别层次模型，以提高录入人脸的识别度。通过调整图像获取帧数，获取人脸特征的动态变化，以识别可能出现的对抗样本，从而提高人脸识别的准确度以及节省计算资源。

附图说明

图1为一种基于深度学习的人脸数据采集分析方法的步骤流程示意图；

图2为图1中步骤S2的详细实施步骤流程示意图；

图3为图1中步骤S3的详细实施步骤流程示意图；

图4为图1中步骤S4的详细实施步骤流程示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

为实现上述目的，请参阅图1至图4，一种基于深度学习的人脸数据采集分析方法，所述方法包括以下步骤：

步骤S1：利用摄像头设备进行用户人像采集，生成人脸录入数据；对人脸录入数据进行逐帧分解，生成人脸图像帧数据；对人脸图像帧数据进行变化帧提取，生成多角度人脸数据与多光影人脸数据；

步骤S2：构建人脸识别层次模型；利用多角度人脸数据与多光影人脸数据对人脸识别层次模型进行模型扩充训练以及相同帧选取，生成人脸识别扩充模型以及二元变化帧数据；利用二元变化帧数据对人脸识别扩充模型进行模型训练成果检验，生成人脸识别模型；

步骤S3：根据二元变化帧数据进行特征合成，生成特征合成数据；根据二元变化帧数据进行特征修改，生成特征复杂改变数据；

步骤S4：利用人脸识别模型对特征合成数据与特征复杂改变数据对人脸识别模型进行模型优化，生成优化人脸识别模型；利用优化人脸识别模型进行实时人脸识别，生成实时识别结果数据。

本发明通过摄像头采集用户人像，生成人脸录入数据，以得到原始数据。逐帧分解录入数据，生成人脸图像帧数据。有助于分离不同帧间的变化，捕捉面部特征随时间的变化。从图像帧数据中提取角度和光影的变化，创建多角度人脸数据和多光影人脸数据。这扩展了数据集，使系统更能适应不同拍摄条件和光照情况。利用多角度和多光影人脸数据对人脸识别模型进行扩充训练，生成可适应更多条件的模型。从而提高模型的适应性和泛化能力。通过多角度和多光影人脸数据进行相同帧选取，生成二元变化帧数据。这样的数据记录了人脸特征在不同帧之间的变化，为后续模型验证提供数据支持。最终生成经过多步骤训练和验证的人脸识别模型。该模型在训练过程中使用了多角度和光影数据，使其更准确、鲁棒，并能应对不同光影和角度的情况。根据二元变化帧数据，将关键特征合成，使其更具代表性和稳定性。有助于弥补特征数据中可能存在的缺失或不足，提高模型对于特定特征的识别能力。通过对二元变化帧数据进行特征调整，生成特征复杂改变数据。反映了人脸特征的微小变化，为模型提供更多复杂性的训练数据，增强模型对于特征变化的识别能力。利用特征合成数据和特征复杂改变数据对人脸识别模型进行优化。以强化模型对于特征的识别和分析，提高模型的鲁棒性和准确性。基于优化后的人脸识别模型，进行实时人脸识别并生成实时识别结果数据。反映了模型在实际场景中的应用效果，对系统性能和识别准确度进行了验证。因此，本发明的基于深度学习的人脸数据采集分析方法、系统及存储介质通过扩充训练人脸识别层次模型，以提高录入人脸的识别度。通过调整图像获取帧数，获取人脸特征的动态变化，以识别可能出现的对抗样本，从而提高人脸识别的准确度以及节省计算资源。

本发明实施例中，参考图1所述，为本发明一种基于深度学习的人脸数据采集分析方法的步骤流程示意图，在本实例中，所述一种基于深度学习的人脸数据采集分析方法包括以下步骤：

步骤S1：利用摄像头设备进行用户人像采集，生成人脸录入数据；对人脸录入数据进行逐帧分解，生成人脸图像帧数据；对人脸图像帧数据进行变化帧提取，生成多角度人脸数据与多光影人脸数据；

本发明实施例中，通过摄像头设备捕获用户人像，创建一个初始的人脸录入数据集。将这些数据逐帧分解为单独的图像帧，形成一系列连续的人脸图像帧数据。在这些连续的图像帧中提取变化帧，即不同帧之间有显著变化的图像数据，以获得多角度和多光影的人脸数据。

步骤S2：构建人脸识别层次模型；利用多角度人脸数据与多光影人脸数据对人脸识别层次模型进行模型扩充训练以及相同帧选取，生成人脸识别扩充模型以及二元变化帧数据；利用二元变化帧数据对人脸识别扩充模型进行模型训练成果检验，生成人脸识别模型；

本发明实施例中，通过预先构建一个人脸识别层次模型，用多角度和多光影人脸数据对人脸识别层次模型进行训练，并同时选取相同的帧来生成二元变化帧数据，为后续模型训练提供变化数据集。利用二元变化帧数据对人脸识别扩充模型进行模型训练检验，验证模型的表现，并生成最终的人脸识别模型。

步骤S3：根据二元变化帧数据进行特征合成，生成特征合成数据；根据二元变化帧数据进行特征修改，生成特征复杂改变数据；

本发明实施例中，通过对二元变化帧数据进行特征合成，整合和合成不同特征，生成特征合成数据，以创建更具多样性和丰富性的人脸特征数据。利用二元变化帧数据进行姿态变化并对细小特征进行修改，使特征发生复杂改变，以获得更具挑战性和多样性的人脸特征数据。

步骤S4：利用人脸识别模型对特征合成数据与特征复杂改变数据对人脸识别模型进行模型优化，生成优化人脸识别模型；利用优化人脸识别模型进行实时人脸识别，生成实时识别结果数据。

本发明实施例中，通过使用特征合成数据与特征复杂改变数据作为输入。运用已构建的人脸识别模型对特征数据进行训练，调整模型参数以适应复杂特征变化。针对识别效果进行评估，根据准确率和模型性能进行调整。生成经过优化的人脸识别模型，以更好地适应复杂特征数据。使用实时采集的人脸图像数据作为输入。利用优化后的人脸识别模型对实时数据进行识别。生成实时识别结果数据，包括识别的个人身份或特征。

优选地，步骤S1包括以下步骤：

步骤S11：利用摄像头设备进行用户人像采集，生成人脸录入数据；

步骤S12：对人脸录入数据进行逐帧分解，生成人脸图像帧数据；

步骤S13：对人脸图像帧数据进行图像锐化处理，生成清晰人脸图像数据；

步骤S14：对清晰人脸图像数据进行人脸边缘差值评估，生成边缘差值评估数据；根据边缘差值评估数据进行角度变化帧提取，生成多角度人脸数据；

步骤S15：对人脸图像帧数据进行光流估计，生成图像帧光流数据；根据图像帧光流数据进行光影变化帧提取，生成多光影人脸数据。

本发明通过利用摄像头设备采集用户人像，形成初始的人脸录入数据，作为基础数据。将人脸录入数据进行逐帧分解，得到一系列的图像帧数据。能够被用于分析特定特征在不同帧间的变化。将人脸录入数据进行逐帧分解，得到一系列的图像帧数据。被用于分析特定特征在不同帧间的变化。通过人脸边缘差值评估，生成描述人脸轮廓和边缘的数据。有助于提取人脸的边缘特征和变化情况。基于边缘差值评估数据进行角度变化帧提取，生成多个角度的人脸数据。以捕捉到不同角度下人脸的特征变化，为模型提供更多样化的训练数据。通过光流估计技术，产生描述图像中像素运动情况的数据。有助于了解图像帧中不同像素的移动和变化。基于图像帧光流数据进行光影变化帧提取，生成多个光影下的人脸数据。有助于模型理解不同光照条件下的人脸特征变化，增强模型的鲁棒性和适应能力。

本发明实施例中，通过配置摄像头设备并进行校准，以确保捕捉到的图像质量高且稳定。运行采集程序，对用户进行人像采集，确保光线充足且用户面部清晰可见。存储这些数据作为人脸录入数据。对录入的视频或连续图像序列进行逐帧分解，将视频分解为单独的图像帧数据。对每个帧的数据进行整理和标记。应用图像处理算法，例如锐化滤波器或边缘增强算法，以增强图像的清晰度和细节。对处理后的图像数据进行质量评估，确认图像清晰度和保留关键细节。使用边缘检测算法(如Sobel算子、Canny边缘检测)识别人脸图像的边缘。提取边缘的特征，例如梯度值、边缘的锐利度或其他边缘特征。依据提取的边缘特征，生成评估数据以表征不同部位的边缘差异，或确定可能的角度变化。根据边缘差值评估数据，选取边缘变化显著的图像帧，代表可能的角度变化。将选定的帧转换为代表不同角度的人脸图像帧。整合这些不同角度的图像帧数据作为多角度人脸数据。使用光流估计算法(如Lucas-Kanade、

优选地，步骤S2包括以下步骤：

步骤S21：构建人脸识别层次模型；

步骤S22：利用人脸识别层次模型对多角度人脸数据进行人脸轮廓特征提取，生成人脸特征数据；

步骤S23：利用人脸识别层次模型，并基于人脸特征数据对多光影人脸数据进行人脸特征捕捉，生成光影特征变化数据；

步骤S24：根据人脸特征数据与光影变化特征数据对人脸识别层次模型进行梯度更新，生成人脸识别扩充模型；

步骤S25：通过多角度人脸数据对多光影人脸数据进行相同帧选取，生成二元变化帧数据；

步骤S26：利用人脸识别扩充模型对二元变化帧数据进行人脸识别决策，生成人脸识别结果数据；

步骤S27：根据人脸识别结果数据进行模型训练成果检验，当人脸识别结果数据均为成功识别，生成人脸识别模型；当人脸识别结果数据包含未成功识别，则再次进行特征提取以及扩充训练，直至生成人脸识别模型。

本发明通过创建人脸识别层次模型，用于处理不同级别的特征或复杂性。通过人脸识别层次模型对多角度人脸数据进行分析，提取人脸轮廓特征。有助于识别和记录人脸的基本特征，如脸部形状、关键点位置等。利用人脸识别层次模型和已提取的人脸特征数据，捕捉多光影条件下人脸特征的变化。通过人脸特征数据和光影变化特征数据对人脸识别层次模型进行梯度更新，生成人脸识别扩充模型。通过模型更新和迭代优化，增强模型对不同光影条件和人脸特征的理解和识别能力。基于多角度人脸数据和多光影人脸数据，进行相同帧选取，生成二元变化帧数据。通过人脸识别扩充模型对二元变化帧数据进行识别决策，生成人脸识别结果数据。提供对模型性能在实际数据上的表现评估。根据人脸识别结果数据进行模型训练成果检验。如果所有数据都成功识别，将生成最终的人脸识别模型。这个模型基于实际数据训练，具有好的准确性和鲁棒性。如果识别结果中包含未成功识别的数据，系统会再次进行特征提取和模型扩充训练，通过迭代训练，不断提升模型的能力以应对更多复杂场景，直至成功生成人脸识别模型。

作为本发明的一个实例，参考图2所示，在本实例中所述步骤S2包括：

步骤S21：构建人脸识别层次模型；

本发明实施例中，通过获取多人脸变化数据，基于多人脸变化数据得到单人表情样本数据和光影样本数据。设计层次化结构，将单人表情样本数据和光影样本数据用于不同层次的特征学习，生成特征识别模型、特征捕捉模型。将单人样本数据应用于各自的分支，并通过交叉学习、参数共享或联合训练等方法，提高模型的鲁棒性和准确性。对模型进行训练，包括特征提取、学习和模型参数优化。制定评估指标，可能包括准确度、召回率、F1值等，以评估模型在不同层次的识别性能。通过交叉验证方法验证模型的鲁棒性和泛化能力。对模型的超参数进行调整以提高模型的效果。输出所得模型并根据验证结果进行必要的修正与迭代，以适应不同数据和应用场景。将最终生成模型相互融合，建立识别层次模型。

步骤S22：利用人脸识别层次模型对多角度人脸数据进行人脸轮廓特征提取，生成人脸特征数据；

本发明实施例中，通过使用人脸识别模型对多角度人脸数据进行特征提取，包括脸部轮廓、特征点、线条和形状信息等。这些特征被捕捉并转换为可供后续处理的数字化数据。结合各角度数据的提取结果，整合生成的多维特征数据，确保包含多角度的细致信息，将其存储为特征数据集。

步骤S23：利用人脸识别层次模型，并基于人脸特征数据对多光影人脸数据进行人脸特征捕捉，生成光影特征变化数据；

本发明实施例中，通过利用先前构建的人脸识别层次模型，针对光影人脸数据进行特征捕捉，以捕获光照变化对人脸特征的影响。通过该模型基于人脸特征数据对光影人脸数据进行分析，提取光影的特征变化数据，如亮度、阴影、反射等特征信息。将捕捉到的光影特征数据与之前提取的多角度人脸数据特征相结合，形成全面的、包含光影特征的综合特征数据。

步骤S24：根据人脸特征数据与光影变化特征数据对人脸识别层次模型进行梯度更新，生成人脸识别扩充模型；

本发明实施例中，通过基于人脸特征数据和光影变化特征数据，对人脸识别层次模型进行梯度下降更新。包括计算模型中参数的损失函数和梯度，以更新模型参数。通过迭代地更新模型参数，确保模型能够更好地适应包括人脸特征和光影变化特征在内的各种情况，从而生成一个更全面、更精确的人脸识别扩充模型。

步骤S25：通过多角度人脸数据对多光影人脸数据进行相同帧选取，生成二元变化帧数据；

本发明实施例中，通过对多角度人脸数据和多光影人脸数据进行比对，选取能够找到相同人脸特征的相同帧。将相同帧的人脸数据作为基准，找到两组数据之间的变化帧，即在不同角度和光影条件下，相同帧人脸数据的变化，生成二元变化帧数据。

步骤S26：利用人脸识别扩充模型对二元变化帧数据进行人脸识别决策，生成人脸识别结果数据；

本发明实施例中，通过采用优化后的扩充模型对二元变化帧数据中的人脸进行识别。包括在不同光影和角度条件下对同一人脸数据的识别，通过模型给出的识别结果数据来了解模型在特定数据上的表现。根据识别模型对二元变化帧数据的识别结果，形成人脸识别结果数据集。此数据集记录哪些人脸被成功识别，哪些未能成功识别。

步骤S27：根据人脸识别结果数据进行模型训练成果检验，当人脸识别结果数据均为成功识别，生成人脸识别模型；当人脸识别结果数据包含未成功识别，则再次进行特征提取以及扩充训练，直至生成人脸识别模型。

本发明实施例中，通过分析识别结果数据，确认成功和未成功识别的情况。如果识别结果数据中大多数是成功识别的，说明该模型在已有数据上表现良好。如果识别结果数据中存在未成功识别的情况，需要根据未成功识别的样本进行分析，然后调整特征提取、扩充训练的方法，进而优化人脸识别模型。这可能涉及重新训练模型、增加更多的特征或更改训练策略等。

优选地，步骤S21包括以下步骤：

步骤S211：获取多人脸变化数据；对多人脸变化数据进行最多表情变化提取，生成单人表情样本数据；对多人脸变化数据进行最多光影变化提取，生成单人光影样本数据；

步骤S212：对单人表情样本数据进行人脸表情识别，生成表情识别结果；根据表情识别结果对单人样本数据进行表情分类，生成表情分类样本数据；

步骤S213：对单人表情样本数据进行脸型轮廓提取，生成单人轮廓特征数据；利用表情分类样本数据对单人轮廓特征数据进行轮廓特征补充，生成轮廓变化数据；利用轮廓变化数据进行卷积模型训练，生成特征识别初始模型；

步骤S214：利用多人脸变化数据对特征识别初始模型进行模型优化训练，生成轮廓特征识别模型；利用轮廓特征识别模型对多人脸变化数据进行人脸特征提取，生成人脸轮廓特征数据；

步骤S215：利用单人光影样本数据进行模型训练，生成光影特征识别模型与光影识别结果数据；利用人脸轮廓特征数据对光影识别结果数据进行识别结果比对，生成识别结果比对数据；利用识别结果比对数据对光影特征识别模型进行模型迭代优化，生成光影变化特征模型；

步骤S216：根据多人脸变化数据对光影变化特征模型进行模型优化训练，生成特征捕捉模型；利用特征捕捉模型对多人脸变化数据进行光影变化特征捕捉，生成特征捕捉数据；

步骤S217：根据人脸轮廓特征数据与特征捕捉数据进行决策模型训练，生成识别决策模型；

步骤S218：将特征识别模型、特征捕捉模型与识别决策模型进行模型级联处理，生成人脸识别层次模型。

本发明通过获取多人脸变化数据，提取出最多表情变化的特征，生成单人表情样本数据。即不同表情下人脸的特征变化情况。从多人脸变化数据中提取出最多光影变化的特征，生成单人光影样本数据。用于捕捉不同光影条件下人脸特征的变化。对单人表情样本数据进行人脸表情识别，生成表情识别结果。以描述模型对于单人表情的识别情况。根据表情识别结果，对单人样本数据进行表情分类，生成表情分类样本数据。用于模型对不同表情进行分类训练，提高模型在区分和识别不同表情上的准确性。对单人表情样本数据进行脸型轮廓提取，生成单人轮廓特征数据。以描述人脸的轮廓和形状特征。利用表情分类样本数据对单人轮廓特征数据进行补充，生成轮廓变化数据。以记录人脸轮廓特征在不同表情下的变化。利用轮廓变化数据进行卷积模型训练，生成特征识别初始模型。利用多人脸变化数据对特征识别初始模型进行优化训练，生成轮廓特征识别模型。通过更多数据的训练和优化，能够更准确地识别人脸的轮廓特征。用轮廓特征识别模型对多人脸变化数据进行特征提取，生成人脸轮廓特征数据。以描述不同人脸的轮廓特征，对模型训练提供更多样化的数据支持。利用单人光影样本数据进行模型训练，生成光影特征识别模型和光影识别结果数据。能够识别人脸在不同光影条件下的特征变化。利用人脸轮廓特征数据对光影识别结果数据进行比对，生成识别结果比对数据。可以用于验证和优化模型的识别准确性。利用识别结果比对数据对光影特征识别模型进行迭代优化，生成更精确的光影变化特征模型。根据多人脸变化数据对光影变化特征模型进行优化训练，生成特征捕捉模型。以更好地捕捉和理解人脸在不同光影条件下的特征变化。利用特征捕捉模型对多人脸变化数据进行处理，生成更准确和全面的光影变化特征捕捉数据。基于人脸轮廓特征数据与特征捕捉数据进行决策模型训练，生成识别决策模型。整合了轮廓特征和光影变化特征，用于做出最终的人脸识别决策。进行模型级联处理，生成人脸识别层次模型。通过综合不同模型的输出，能够综合考虑和分析不同特征的综合信息，提高识别的鲁棒性和准确性。

本发明实施例中，通过从不同来源(摄像头、图像库等)收集包含多人脸的数据，确保涵盖各种表情和光影变化。通过分离人脸数据中的各个人，针对每个人脸数据进行最多表情变化的提取，确保单人表情变化样本覆盖多种表情情绪。可以通过检测人脸区域并提取其中的表情特征来完成。类似地，从多人脸数据中提取最多光影变化的个人样本数据。光影变化可以通过亮度、阴影和其他光学特征的变化来表示。使用表情识别模型对单人表情样本进行分析和识别。模型可以使用深度学习等方法，用于识别人脸数据中的各种表情，如高兴、悲伤、惊讶等。识别出的表情进行分类，建立一个表情分类样本库。可以通过对识别出的不同表情进行标签化和组织进行建立。使用图像处理技术，例如边缘检测算法或人脸特征提取器，从单人表情样本数据中提取脸型轮廓信息。使用表情分类样本数据中的信息，通过比对不同表情下的脸型特征数据，从中提取共同点和变化，用于补充脸型轮廓特征数据中表情相关的信息，生成轮廓变化数据。将轮廓变化数据应用于卷积神经网络(CNN)或其他适用的模型中进行训练，以构建特征识别初始模型。该模型旨在识别和学习各种脸型的特征。利用多人脸变化数据对初始模型进行迭代优化训练，使模型更好地识别不同表情不同脸型特征，以生成轮廓特征识别模型。使用优化后的模型对多人脸变化数据进行处理，提取人脸轮廓特征数据。其中包含了各种表情下的不同脸型特征。使用单人光影样本数据，执行训练，光影特征模型的目标是从数据中学习光照变化的特征。可以使用深度学习模型，比如卷积神经网络(CNN)，对光影数据进行训练以构建光影特征识别模型。将光影识别结果与之前提取的人脸轮廓特征数据进行比对。此比对目的在于验证光影识别的准确性，验证识别结果是否与轮廓特征一致。基于比对数据对光影特征识别模型进行优化迭代，修正模型中可能存在的识别误差或提高模型的准确性，生成更准确的光影变化特征模型。利用多人脸变化数据对光影变化特征模型进行迭代训练，使其能更好地捕捉不同人脸在不同光影条件下的特征变化。通过更复杂的神经网络结构或数据集优化完成这一步骤。利用优化的特征捕捉模型对多人脸变化数据进行处理，捕捉其光影特征。目标是提取特定光影条件下的人脸特征。合并人脸轮廓特征数据和之前获得的特征捕捉数据。进行特征选择和预处理，可以采用特征工程和数据清洗来准备用于模型训练的数据。运用机器学习或深度学习技术，比如支持向量机(SVM)、决策树、神经网络等，对整合后的数据进行训练。目标是从数据中学习模式、特征，使其能够准确地对人脸进行识别决策。结合特征识别模型、特征捕捉模型和识别决策模型，实现模型的级联处理。例如：设计一个数据流管道，依序执行特征提取、特征捕捉，最终执行识别决策。对整个级联模型进行优化和性能评估。可能涉及模型参数调整、交叉验证、以及对模型整体准确性和效率的评估。通过不断迭代优化，确保模型的稳健性和准确性。

优选地，步骤S3包括以下步骤：

步骤S31：利用二元变化帧数据进行已识别特征获取，生成已识别特征数据；

步骤S32：通过人脸轮廓特征数据对已识别特征数据进行特征合成，生成特征合成数据；

步骤S33：对二元变化帧数据进行姿态演变，生成多姿态人脸数据；

步骤S34：利用变化检验公式对多姿态人脸数据进行姿态变化计算，生成姿态变化分数数据；

步骤S35：利用姿态变化分数数据对多姿态人脸数据进行失态图像筛除，生成标准姿态变化数据；

步骤S36：根据已识别特征数据对标准姿态变化数据进行细微特征变换，生成特征复杂改变数据。

本发明通过二元变化帧数据进行已识别特征获取，得到已识别特征数据。利用人脸轮廓特征数据对已识别特征数据进行特征合成，生成特征合成数据。将已识别特征与人脸轮廓特征合成，生成简单变化的人脸数据，即对抗人脸数据。通过对二元变化帧数据进行姿态演变，产生多姿态人脸数据。描述了人脸在不同姿态下的变化，为模型提供更全面的训练数据。通过变化检验公式对多姿态人脸数据进行姿态变化计算，得到姿态变化分数数据。这些分数描述了人脸在不同姿态下的变化程度，用于评估其变化情况。用姿态变化分数数据对多姿态人脸数据进行失态图像筛除，生成标准姿态变化数据。排除了失态图像，保留了符合标准的姿态变化数据，使得模型训练更加准确和稳定。根据已识别特征数据对标准姿态变化数据进行细微特征变换，生成特征复杂改变数据。为模型提供更多样化和全面的训练数据。

作为本发明的一个实例，参考图3所示，在本实例中所述步骤S3包括：

步骤S31：利用二元变化帧数据进行已识别特征获取，生成已识别特征数据；

本发明实施例中，通过人脸特征数据与光影特征变化数据，将二元变化帧数据中的每一帧所对应的特征提取出来，并对这些特征进行标记。基于提取的特征建立一个数据集，生成已识别特征数据。

步骤S32：通过人脸轮廓特征数据对已识别特征数据进行特征合成，生成特征合成数据；

本发明实施例中，通过利用人脸轮廓特征数据作为模板，与已识别特征数据进行对应或关联。可以通过特征对齐或者匹配算法，确保已识别特征数据和轮廓特征数据的匹配性。基于匹配的特征数据，执行特征融合或合成，例如从已识别特征数据中抽取的特征，通过一些算法与人脸轮廓特征数据的结合。根据特征融合的结果，生成特征合成数据，这个数据集为已识别特征数据与人脸轮廓特征数据整合的结果。

步骤S33：对二元变化帧数据进行姿态演变，生成多姿态人脸数据；

本发明实施例中，通过对二元变化帧数据中的人脸图像进行姿态转换。这可能包括旋转、倾斜、拉伸或其他形态变换，以模拟人脸在不同姿态下的外观。通过应用姿态变换算法，在各种维度上生成不同的人脸姿态变化。例如使用三维建模技术或基于图像处理的姿态变换方法。将变换后的人脸图像数据收集并组合成一个数据集，即同一个人脸在不同姿态下的图像。

步骤S34：利用变化检验公式对多姿态人脸数据进行姿态变化计算，生成姿态变化分数数据；

本发明实施例中，通过预设的变化检验公式，该公式充分考虑了不同姿态的总数量、姿态坐标、姿态向量值等变量，对每一个姿态已变化的人脸数据进行姿态变化计算，以准确判断变化是否依旧符合原有人脸结果，从而筛除无效姿态变化数据，生成姿态变化分数数据。除了预设的公式，还可以使用，例如相似度计算方法，比较姿态之间的相似度或差异度，用一个分值来衡量姿态之间的变化程度，对生成的多姿态人脸数据进行分析，生成姿态变化分数数据。

步骤S35：利用姿态变化分数数据对多姿态人脸数据进行失态图像筛除，生成标准姿态变化数据；

本发明实施例中，通过使用姿态变化分数数据，设定一个阈值或标准，筛除多姿态人脸数据中与所需标准姿态相差较大的图像。根据已定义的阈值进行人工或自动的数据选择。其中阈值的设定可以通过利用已有的多姿态人脸数据集，对姿态变化分数进行统计分析，识别其分布情况。通过分析数据的分散程度和中心趋势，以设定一个阈值，例如，保留在中心趋势内的样本，去除偏离趋势较大的数据。在通过筛选后的数据中，确定符合设定标准姿态的数据，保留符合标准的人脸姿态数据，构建标准姿态变化数据集。

步骤S36：根据已识别特征数据对标准姿态变化数据进行细微特征变换，生成特征复杂改变数据。

本发明实施例中，通过基于已识别特征数据，对标准姿态变化数据进行微小特征变换。这可能包括局部特征的微调、色彩变化或纹理变更等处理。根据识别所需的特征变化，对数据进行必要的改变，增加人脸特征的复杂性，确保模型训练的数据具有一定的多样性和复杂性。

优选地，步骤S34中的变化检验公式如下所示：

式中，F为姿态变化分数，e为自然对数的底数，N为不同姿态的总数量，a

本发明构造了一种变化检验公式，用于对多姿态人脸数据进行姿态变化计算，生成姿态变化分数数据，以评估姿态变化得到的人脸图像是否存在不符合原有人脸构造的数据。该公式充分考虑了自然对数的底数e，不同姿态的总数量N，第i个姿态的横坐标a

通过

优选地，步骤S4包括以下步骤：

步骤S41：利用人脸识别模型对特征合成数据进行简单变化人脸识别，生成简易变化识别数据；利用简易变化识别数据对人脸识别模型进行迭代优化，生成识别初次优化模型；

步骤S42：利用识别初次优化模型对特征复杂改变数据进行复杂变化人脸识别，生成复杂变化识别数据；利用复杂变化识别数据对识别初次优化模型进行再次优化，生成优化人脸识别模型；

步骤S43：获取识别等级数据；根据识别等级数据进行帧数设定，得到预设图像获取帧数；

步骤S44：根据预设图像获取帧数对进行人脸图像获取，生成首帧人脸数据；

步骤S45：根据人脸边缘计算公式对首帧人脸数据进行边缘清晰度评估，生成清晰度评估数据；

步骤S46：根据清晰度评估数据对预设图像获取帧数进行数值调整，生成调整图像获取帧数；

步骤S47：根据调整图像获取帧数进行人脸图像获取，生成实时人脸图像数据；

步骤S48：利用优化人脸识别模型对实时人脸图像数据进行逐帧识别，生成实时识别结果数据。

本发明通过人脸识别模型对特征合成数据进行简单变化人脸识别，生成简易变化识别数据。有助于模型对简单变化的对抗人脸数据进行学习和识别。从而生成识别初次优化模型，提升模型的识别能力。利用识别初次优化模型对特征复杂改变数据进行复杂变化人脸识别，让模型对姿态变化并改变细微特征的对抗人脸图像数据进行学习和识别，生成复杂变化识别数据。用复杂变化识别数据对识别初次优化模型进行再次优化，生成优化人脸识别模型，提升了模型的鲁棒性和准确性。通过获取用户要求的识别等级数据，以确定预设图像获取帧数。所要求的等级越高，对应的获取帧数越大。根据预设图像获取帧数进行人脸图像获取，生成首帧人脸数据。利用人脸边缘计算公式对首帧人脸数据进行边缘清晰度评估，生成清晰度评估数据。用于判断人脸图像的清晰度，判断是否存在曝光、暗光导致清晰度不足。根据清晰度评估数据对预设图像获取帧数进行数值调整，生成调整图像获取帧数。有助于更精准地获取更清晰的人脸图像。根据调整后的图像获取帧数进行人脸图像获取，得到实时人脸图像数据。利用优化人脸识别模型对实时人脸图像数据进行逐帧识别，生成逐帧识别结果数据。根据逐帧识别结果数据进行实时识别结果评估，得到实时识别结果数据。

作为本发明的一个实例，参考图4所示，在本实例中所述步骤S4包括：

步骤S41：利用人脸识别模型对特征合成数据进行简单变化人脸识别，生成简易变化识别数据；利用简易变化识别数据对人脸识别模型进行迭代优化，生成识别初次优化模型；

本发明实施例中，通过利用人脸识别模型对具有简单、明显的变化的特征合成数据进行人脸识别，生成简易变化识别数据。使用简易变化识别数据进行识别结果分析，如果结果中包含识别成功，说明模型对抗性差，需要对现有的人脸识别模型进行迭代训练。

步骤S42：利用识别初次优化模型对特征复杂改变数据进行复杂变化人脸识别，生成复杂变化识别数据；利用复杂变化识别数据对识别初次优化模型进行再次优化，生成优化人脸识别模型；

本发明实施例中，通过用模型迭代优化后的模型对特征复杂改变数据，即在大幅度的姿态变化或光影变化的基础上对个别特征进行细微变化的人脸图像数据，去进行复杂变化的人脸识别，生成复杂变化识别数据。使用复杂变化识别数据进行模型判断能力评估，若显示识别成功，则提取出对应的数据进行识别分析，以对模型进行更加精细地调整，以适应更复杂、更多样的变化情况。

步骤S43：获取识别等级数据；根据识别等级数据进行帧数设定，得到预设图像获取帧数；

本发明实施例中，通过定义不同等级的识别结果，如“优秀识别”，“良好识别”，“一般识别”等级。设定对于每个等级的识别结果所需的图像帧数。比如，对于“优秀识别”，需要更多帧的图像数据以确保准确性。

步骤S44：根据预设图像获取帧数对进行人脸图像获取，生成首帧人脸数据；

本发明实施例中，通过所设定的帧数标准，从摄像头设备中实时采集提取所需帧数的图像，得到实时采集图像，对图像进行质量控制和预处理，确保提取到合适的人脸数据。选取所采集图像的首帧，并对其进行处理，例如人脸检测和特征提取，从而生成有关人脸的数据。

步骤S45：根据人脸边缘计算公式对首帧人脸数据进行边缘清晰度评估，生成清晰度评估数据；

本发明实施例中，通过预设的人脸边缘计算公式，该公式充分考虑了图像的灰度值的变化率、分布和强度、对比度等每个点所对应的变化，以精确评估人脸边缘的清晰度，生成图像边缘清晰度，从而准确调整获取帧数。还可以考虑使用特定的边缘检测算法或清晰度评估方法来分析所选图像中的边缘清晰度。这可能包括Sobel、Canny等边缘检测算法，或者一些图像清晰度度量标准。根据评估算法的输出，生成清晰度评估数据，可以是一个定量分数或者某种形式的标准化指标，反映首帧人脸图像的清晰程度。

步骤S46：根据清晰度评估数据对预设图像获取帧数进行数值调整，生成调整图像获取帧数；

本发明实施例中，通过根据清晰度评估数据，设定调整图像获取帧数的阈值或规则。例如，如果评估的清晰度分数低于某个阈值，则需要增加获取的图像帧数以提高清晰度。根据所选定的规则，对获取的图像帧数进行调整。可能需要增加或减少获取帧数，以获取更清晰的图像。其中阈值的设定可以基于图像像素值的变化、边缘检测的结果、模糊度的评估，或其他指标进行设定，或考虑主观认知清晰度的因素，例如通常被视为清晰的图像特征进行设定。

步骤S47：根据调整图像获取帧数进行人脸图像获取，生成实时人脸图像数据；

本发明实施例中，通过使用相应的设备或摄像头，按照之前调整过的获取帧数，实时采集人脸图像数据。例如实时视频流的捕获，根据调整后的帧数选取合适的图像。对捕获的人脸图像进行预处理，如颜色空间转换、图像增强或缩放等，以确保图像质量和格式符合后续模型的输入要求。

步骤S48：利用优化人脸识别模型对实时人脸图像数据进行逐帧识别，生成实时识别结果数据。

本发明实施例中，通过使用已经经过训练和优化的人脸识别模型。将优化的人脸识别模型应用于逐帧的实时人脸图像数据，对每帧图像进行人脸识别。对每一帧的识别结果进行评估，可以使用准确性、置信度、连续帧的匹配结果等指标，来评估人脸识别结果的质量和可靠性，生成实时识别结果数据。

优选地，步骤S45中的人脸边缘计算公式如下所示：

式中，S为图像边缘清晰度，X为边缘横坐标范围，Y为边缘纵坐标范围，

本发明构造了一种人脸边缘计算公式，用于对首帧人脸数据进行边缘清晰度评估，生成清晰度评估数据，以调节获取帧数。该公式充分考虑了边缘横坐标范围X，边缘纵坐标范围Y，横坐标x的导数

通过

9.一种基于深度学习的人脸数据采集分析系统，其特征在于，用于执行如权利要求1所述的基于深度学习的人脸数据采集分析方法，该基于深度学习的人脸数据采集分析系统包括：

人脸数据采集模块，用于利用摄像头设备进行用户人像采集，生成人脸录入数据；对人脸录入数据进行逐帧分解，生成人脸图像帧数据；对人脸图像帧数据进行变化帧提取，生成多角度人脸数据与多光影人脸数据；

识别模型扩充训练模块，用于构建人脸识别层次模型；利用多角度人脸数据与多光影人脸数据对人脸识别层次模型进行模型扩充训练以及相同帧选取，生成人脸识别扩充模型以及二元变化帧数据；利用二元变化帧数据对人脸识别扩充模型进行模型训练成果检验，生成人脸识别模型；

对抗人脸生成模块，用于根据二元变化帧数据进行特征合成，生成特征合成数据；根据二元变化帧数据进行特征修改，生成特征复杂改变数据；

识别模型优化模块，用于利用人脸识别模型对特征合成数据与特征复杂改变数据对人脸识别模型进行模型优化，生成优化人脸识别模型；利用优化人脸识别模型进行实时人脸识别，生成实时识别结果数据。

10.一种基于深度学习的人脸数据采集分析存储介质，其特征在于，所述计算机可读存储介质上存储有基于深度学习的人脸数据采集分析系统，所述基于深度学习的人脸数据采集分析系统被处理器执行时实现如权利要求1所述的基于深度学习的人脸数据采集分析方法。

本申请的有益效果在于，本发明集合了人脸不同角度和光影下的变化，为模型提供了更丰富和全面的数据，有助于模型更好地学习和识别不同人脸状态。逐帧分解生成了人脸图像帧数据，提供了连续的数据流，有助于模型对动态变化的人脸进行学习，同时，变化帧提取产生了不同帧间的变化，增加了数据的多样性。通过模型扩充训练和二元变化帧数据，模型得到了更多的训练机会和更具挑战性的数据，有助于提升模型对复杂情况下的人脸识别能力。通过模型训练成果检验，生成了经过验证的人脸识别模型，这样的模型能更可靠地进行人脸识别，提高了识别的准确性和稳定性。通过特征合成数据与特征复杂改变数据生成，这些数据反映了通过对抗生成的不同人脸特征，有助于模型更全面地理解人脸变化，包括由合成和复杂改变导致的特征差异。通过利用特征合成数据与特征复杂改变数据对人脸识别模型进行优化，模型能更好地适应对抗生成的人脸数据。提高了模型的鲁棒性和对复杂变化的识别能力。该迭代优化过程，以对抗生成数据为依托，使模型在面对不确定性、对抗性输入时更为稳健。利用优化后的人脸识别模型进行实时人脸识别，生成了实时识别结果数据。这些数据反映了模型在实时场景下的表现，可以用于进一步改进模型和提升识别准确性。因此，本发明的基于深度学习的人脸数据采集分析方法、系统及存储介质通过扩充训练人脸识别层次模型，以提高录入人脸的识别度。通过调整图像获取帧数，获取人脸特征的动态变化，以识别可能出现的对抗样本，从而提高人脸识别的准确度以及节省计算资源。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。