[發明專利]基于GB(2D)2PCANet深度卷積模型的人臉身份識別方法

有效

• 申請號: 201610044669.X
• 申請日: 2016-01-21
• 公開（公告）號: CN105718889B
• 公開（公告）日: 2019-07-16
• 發明（設計）人: 蔣敏;鹿茹茹;孔軍;孫林;胡珂杰;王莉
• 申請（專利權）人: 江南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 梅洪玉

1.一種基于GB(2D)²PCANet深度卷積模型的人臉身份識別方法，其特征在于，包括訓練階段和測試階段；

訓練階段包括下列步驟：

步驟一、對已知人臉庫中的訓練集人臉圖像進行預處理，包括轉化成灰度圖和調整圖像尺寸到相同大小p×q；

步驟二、將訓練樣本依次送入GB(2D)²PCANet模型的第一個特征提取層，獲取第一個特征提取層的Gabor特征圖像；具體地，令表示人臉圖像訓練集，其中N為訓練集中的樣本數，表示一張人臉樣本圖像；將每個樣本A_i依次送入第一個特征提取層，首先進行5個尺度和8個方向結合的2D Gabor濾波，通過降采樣，得到最終的Gabor特征圖像，記為其中s是特征圖像降采樣后的像素個數，t是2D Gabor濾波器的個數，t＝40；

步驟三、對每個Gabor特征圖像B_i，掃描提取m×n個l₁×l₂大小的圖像塊，對圖像塊進行去均值操作，獲得其中表示B_i中第j個去均值圖像塊；所有Gabor特征圖像經過相同的處理之后，可得到樣本矩陣為了方便描述，用連續的序號表示I中所有的圖像塊并重記為

步驟四、利用基于(2D)²PCA的特征投影向量分析方法，同時從行、列兩個方向提取樣本矩陣I的最優投影軸，作為第一層特征提取階段卷積濾波器N₁為第一層卷積濾波器的個數；

步驟五、將步驟四學習到的卷積濾波器與訓練集人臉原始圖像分別卷積，得到N×N₁個特征圖其中

步驟六、將步驟五得到的每個訓練樣本A_i對應的特征圖作為第二個特征提取層輸入，利用與步驟三至步驟五同樣的特征學習方法，依次學習第二層的卷積濾波器N₂為第二層卷積濾波器的個數；并用卷積濾波器與步驟五得到的特征圖分別卷積，得到N×N₁×N₂個第二層特征圖其中

步驟七、對步驟六中得到的每個訓練樣本A_i對應的第二層特征圖二值哈希編碼得到二值化特征圖具體地，首先利用二值哈希函數H(·)將二值化，其中，當輸入大于0時，H(·)值為1，當輸入小于或等于0時，H(·)值為0；然后將所有由第二層的輸入二次卷積得到的N₂個二值化特征圖作為一組，將這N₂個二值化特征圖同一像素位置的二進制數組成的二值向量并轉化為十進制數，從而得到一張整數值輸出圖其中i∈[1,N],n∈[1,N₁]；因此單個樣本A_i最終生成N₁個二值特征圖所有樣本最終得到N×N₁個二值特征圖

步驟八、針對每個二值特征圖其中i∈[1,N],n∈[1,N₁]，以滑動窗的形式取[b₁b₂]大小的塊，塊的重疊比例為α，計算每個塊的統計直方圖，記為然后將所有由單個樣本A_i生成的N₁個二值特征圖的局部區域的統計直方圖拼接起來，得到人臉圖像A_i的最終輸出特征

步驟九、將步驟八得到的所有樣本的輸出特征送入Linear SVM分類器中訓練，獲得基于GB(2D)²PCANet的最優Linear SVM的人臉身份識別分類模型。

2.根據權利要求1所述的一種基于GB(2D)²PCANet深度卷積模型的人臉身份識別方法，其特征在于，測試階段包括下列步驟：

步驟一、對待測試人臉圖像B進行預處理，包括轉化成灰度圖和調整圖像尺寸到相同大小p×q；

步驟二、與訓練階段相同，將待測試人臉圖像B與訓練階段第一個特征提取層學習到的第一層卷積濾波器分別卷積得到第一層的特征圖其中，N₁為第一層卷積濾波器的個數；

步驟三、與訓練階段相同，步驟二輸出的特征圖作為第二個特征提取層原始輸入，與訓練階段第二個特征提取層學習到的卷積濾波器分別卷積得到第二層的輸出特征圖其中，N₂為第二層卷積濾波器的個數；

步驟四、與訓練階段相同，對步驟三得到的特征圖做二值哈希編碼，統計局部區域直方圖，并將所有局部區域的統計直方圖拼接起來，作為人臉圖像B的最終提取到的特征

步驟五、將步驟四得到的圖像最終輸出特征送入訓練好的Linear SVM分類器中進行分類，獲得分類結果，即人臉識別結果。