[發明專利]一種基于域魯棒卷積特征學習的交叉視角人臉識別方法

有效

• 申請號: 201410583974.7
• 申請日: 2014-10-27
• 公開（公告）號: CN104318215B
• 公開（公告）日: 2017-09-19
• 發明（設計）人: 陳雪;王春恒;肖柏華
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 中科專利商標代理有限責任公司11021
• 代理人: 宋焰琴

1.一種基于域魯棒卷積特征學習的交叉視角人臉識別方法，特征在于，該方法包括以下步驟：

步驟S1：從源域人臉集和目標域人臉集中分別隨機采樣多個人臉圖像，組成一個虛擬域人臉集；

步驟S2：對源域人臉集、虛擬域人臉集和目標域人臉集分別訓練出源域、虛擬域和目標域的卷積深度神經網絡；

將源域人臉集中的人臉圖像輸入到源域、虛擬域和目標域的卷積深度神經網絡并分別計算，得到與所述網絡相應的源域人臉圖像的特征值，并將源域人臉圖像的特征值串接在一起，組成源域人臉集的人臉圖像的卷積特征；

將目標域人臉集中的人臉圖像輸入到源域、虛擬域和目標域的卷積深度神經網絡并分別計算，得到與所述網絡相應的目標域人臉圖像的特征值，并將三個所述網絡的目標域人臉圖像的特征值串接在一起，組成目標域人臉集的人臉圖像的卷積特征；

步驟S3：對源域人臉集和目標域人臉集建立源視角映射矩陣和目標視角映射矩陣，將源域人臉集的人臉圖像的卷積特征輸入到源視角映射矩陣，將目標域人臉集的人臉圖像的卷積特征輸入到目標視角映射矩陣，獲得源域人臉集的人臉圖像的卷積特征在映射空間中的源域新人臉特征值、獲得目標域人臉集的人臉圖像的卷積特征在映射空間中的目標域新人臉特征值；

步驟S4：通過約束源域新人臉特征值和目標域新人臉特征值的類內緊致性，優化源視角映射矩陣和目標視角映射矩陣；

步驟S5：對多張測試源視角人臉圖像和一張測試目標視角人臉圖像分別計算，得到并將多個源視角人臉圖像的卷積特征和一個目標視角人臉圖像的卷積特征輸入到與之相應的源視角映射矩陣和目標視角映射矩陣計算，得到測試源視角多個新人臉特征值和測試目標視角的一個新人臉特征值；對新人臉特征值計算得到測試目標視角的一個新人臉特征到測試源視角的多個新人臉特征之間的多個距離，并在多個距離中選擇最小距離對應的測試源視角人臉圖像的身份作為測試目標視角人臉圖像的身份；

其中，所述優化源視角映射矩陣和優化目標視角映射矩陣的步驟具體為：

1)構建源域人臉集和目標域人臉集的人臉圖像在映射空間中的新人臉特征值的類內緊致性約束函數J(F_S,F_T)：

J(FS,FT)=1NΣi=1NCΣk=1NSiΣj=1NTb||FSsi,k-FTtb,j||2]]>

其中F_S為源視角映射矩陣，F_T為目標視角映射矩陣，N為人臉集中人臉圖像的總對數，N_C為源域人臉集中人的個數，為第i個人的源域人臉圖像的個數，表示第b個人的目標域人臉圖像的個數，b＝i，s_i,k為第i個人的源域人臉圖像的卷積特征集S_i中的第k個特征，t_b,j為第b個人的目標域人臉圖像的卷積特征集T_b中的第j個特征；i為源域人臉集中人的序號，b為目標域人臉集中人的序號，k為卷積特征集S_i中特征的序號，j為卷積特征集T_b中特征的序號；n_i是第i個人的源域人臉圖像和目標域人臉圖像組成的人臉圖像的對數；

2)通過最小化所述約束函數J(F_S,F_T)，構造區分性學習的優化目標函數；分別計算所述優化目標函數J(F_S,F_T)關于源視角映射矩陣F_S和目標視角映射矩陣F_T的梯度為：

∂J(FS,FT)∂FS,∂J(FS,FT)∂FT]]>

利用梯度下降方法分別更新源視角映射矩陣、目標視角映射矩陣直到收斂，從而得到優化的源視角映射矩陣和目標視角映射矩陣。