[發明專利]一種基于多特征融合的深度學習人臉識別方法

在審

• 申請號: 201710777560.1
• 申請日: 2017-09-01
• 公開（公告）號: CN107578007A
• 公開（公告）日: 2018-01-12
• 發明（設計）人: 李訓根;章舸
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州奧創知識產權代理有限公司33272
• 代理人: 王佳健

技術領域

本發明屬于模式識別和深度學習技術領域,涉及一種深度學習人臉識別方法,特別是涉及一種基于多特征融合的深度學習人臉識別方法。

背景技術

近年來，隨著互聯網信息的快速發展，使得信息安全得到了極大的重視，而人臉識別作為一種重要的生物信息鑒別方法，在信息安全領域有著很多實際應用場合，如視頻監控、訪問控制、智能身份認證等，一直是當下機器視覺和模式識別領域的一大研究熱點。人臉識別是基于人的臉部特征信息進行身份認證的一種身份識別技術。

人臉識別算法主要由：

①基于幾何特征的方法：主要對面部器官如眼睛、鼻子、嘴巴等的形狀和幾何關系進行分析，進而識別。基于幾何特征的人臉識別比較直觀，識別速度快，但是對光照、表情、姿態、遮擋的魯棒性差。而且由于只利用了圖像的幾何特征，忽略了局部的細節，算法的識別率較低。目前，這類方法以及很少被單獨使用，通常只是作為其他識別方法的有益補充。

②基于子空間的方法：將原始數據變換到一個低維的子空間，使數據在這一子空間中的分布更加緊湊，不僅降低了計算的復雜度，也使分類更加準確。空間變換包括線性變換和非線性變換兩種。主成分分析法(PCA)是應用最廣泛的一種特征提取方法，通過線性變換找到一組最優的單位正交向量機，利用他們的線性組合來重建圖像，使重建后的圖像與原圖像的誤差最小。該方法可以用比較少的特征對樣本進行很好的描述，但是沒有考慮不同樣本間的差異，對于分類來說特征并不充分。線性判別分析(LDA)以樣本的可分性為目標，尋找一組線性變換使降維后同類樣本盡量集中，異類樣本盡量分離。該方法在樣本可分的情況下識別效果很好，但是當數據不具備線性可分時，識別率較低。

③基于深度學習的人臉識別：不同于傳統的人臉識別方法，該方法對特征選擇不敏感，當達到一定的特征維度后，即使采用下采樣同樣能達到很好的識別效果，并且對光照、表情、偽裝、姿態變化等都有較好的魯棒性。

發明內容

為了解決上述技術問題，本發明提供了一種基于多特征融合的深度學習人臉識別方法。

本發明方法包括以下步驟：

步驟1：初始化迭代次數、學習率、隱藏層；

步驟2：分別提取測試樣本的HOG特征、LBP特征，來描述測試樣本不同的屬性；

步驟3：分別對提取的人臉特征表達進行主成分分析來降低特征的維數和壓縮特征中含有的噪聲和冗余的信息；

步驟4：分別對降維后的特征進行歸一化處理，使得每一種特征的協方差矩陣為單位矩陣，得到標準化后的特征向量；

步驟5：將兩種特征向量采用連接的方式進行融合，得到融合后的特征向量；

步驟6：利用深度信念網絡(DBN)算法構建一個包含兩個隱藏層的深度信念網絡；

步驟7：訓練第一個隱藏層的受限玻爾茲曼機；

步驟8：訓練第二個隱藏層的受限玻爾茲曼機；

步驟9：微調；

步驟10：檢驗深度信念網絡訓練是否成功；

若是，則通過微調后，對未知樣本進行預測，并計算出準確率，流程結束；

若否，則直接結束流程。

作為優選，初始化參數迭代次數numepochs＝30、每次處理數據batchsize＝1、學習率＝0.001、隱藏層L1＝100、隱藏層L2＝100。

作為優選，圖像的特征提取，包括對原始的ORL人臉庫進行LBP特征提取和對原始的ORL人臉庫進行HOG特征提取；

所述對原始的ORL人臉庫進行HOG特征提取，是利用HOG基本函數分別對原始的ORL人臉庫進行特征提取，并組成一個HOG的人臉庫；

所述HOG基本函數定義為：

將灰度化后圖像歸一化，再計算各像素點的梯度，多個像素組成一個區域，在區域中統計梯度直方圖，再將多個相鄰的區域組成塊，塊中的梯度直方圖是由各個區域直方圖串聯歸一化而成，這些塊的直方圖便是圖像塊的特征，則多個塊特征串聯組合得到HOG特征。定義如下：

計算圖像每個像素的梯度(包括大小和方向)；計算像素梯度能夠獲取邊緣信息，同時進一步弱化光照的干擾，圖像中像素點(x,y)的梯度為：

G_x(x,y)＝H(x+1,y)-H(x-1,y)G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中H(x,y),G_x(x,y),G_y(x,y)分別表示圖像中像素點(x,y)的像素點、書平方向梯度和垂直方向梯度。