[發(fā)明專利]基于CNN的多patch多通道聯(lián)合特征選擇學(xué)習(xí)的人臉識別方法

有效

• 申請?zhí)枺?/td>: 201810293102.5
• 申請日: 2018-04-04
• 公開（公告）號: CN108509920B
• 公開（公告）日: 2022-04-26
• 發(fā)明（設(shè)計）人: 田青;張文強;毛軍翔;沈傳奇
• 申請（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于CNN的多patch多通道聯(lián)合特征選擇學(xué)習(xí)的人臉識別方法，其特征在于，所述方法首先將原始人臉圖像分割成多張子圖像，每張子圖像再分離成多張通道圖像；然后為每張通道圖像構(gòu)建一個CNN網(wǎng)絡(luò)模型，輸入通道圖像進行識別；接下來首先將同一子圖像的多個通道神經(jīng)網(wǎng)絡(luò)進行連接，得到對應(yīng)多張子圖像的多個子圖像神經(jīng)網(wǎng)絡(luò)，然后將多個子圖像神經(jīng)網(wǎng)絡(luò)進行連接，作為最終的模型識別結(jié)果；包括以下步驟：

S1、將原始人臉圖像分割為四個子圖像，分別為左眼子圖像、右眼子圖像、鼻子子圖像和嘴巴子圖像；

S2、對每個子圖像進行RGB通道分離，分別得到三個通道圖像，四個子圖像共得到12個通道圖像；

S3、為每個通道圖像構(gòu)建一個CNN網(wǎng)絡(luò)模型，稱為通道神經(jīng)網(wǎng)絡(luò)，將通道圖像分別輸入對應(yīng)的通道神經(jīng)網(wǎng)絡(luò)進行識別，其中通道神經(jīng)網(wǎng)絡(luò)中每個通道包括三段依次連接的卷積層、歸一化層、池化層、激活層；

S4、針對每張子圖像，通過將不同通道神經(jīng)網(wǎng)絡(luò)的權(quán)值向量進行融合而將三個通道神經(jīng)網(wǎng)絡(luò)相互連接，形成一個子圖像神經(jīng)網(wǎng)絡(luò)，四張子圖像得到四個子圖像神經(jīng)網(wǎng)絡(luò)，其中將不同通道神經(jīng)網(wǎng)絡(luò)的權(quán)值向量進行融合采用組稀流算法，其約束方程如下所示：

其中y表示樣品的真實標簽，θ表示投影向量，z表示樣品矩陣，λ表示正則化參數(shù)；

S5、將四個子圖像神經(jīng)網(wǎng)絡(luò)進行連接，連接的方法是將每個子圖像神經(jīng)網(wǎng)絡(luò)的識別結(jié)果加權(quán)相加，作為最終的模型識別結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于CNN的多patch多通道聯(lián)合特征選擇學(xué)習(xí)的人臉識別方法，其特征在于，所述步驟S1中，將原始人臉圖像進行分割采用Sift算法、Surf算法、Orb算法中的任一種。

3.根據(jù)權(quán)利要求1所述的基于CNN的多patch多通道聯(lián)合特征選擇學(xué)習(xí)的人臉識別方法，其特征在于，所述步驟S2中RGB通道分離的方法為：讀取RGB圖像的圖像信息并保存成矩陣形式，該矩陣有三行，即三個向量，分別對應(yīng)R通道圖像、G通道圖像、B通道圖像的圖像信息，再將這三個向量分別保存成三張圖像，便分離出了三通道圖像。

4.根據(jù)權(quán)利要求1所述的基于CNN的多patch多通道聯(lián)合特征選擇學(xué)習(xí)的人臉識別方法，其特征在于，所述組稀流算法約束方程添加到損失函數(shù)中的正則化項如下所示：

其中的d表示通道神經(jīng)網(wǎng)絡(luò)的權(quán)值向量的維度，w_i表示w矩陣的第i行，分別來自于不同的通道神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求1所述的基于CNN的多patch多通道聯(lián)合特征選擇學(xué)習(xí)的人臉識別方法，其特征在于，所述步驟S5中最終模型的輸出結(jié)果由下式得出：

式中的F(result)即為模型輸出的最終結(jié)果，其中p為子圖像的數(shù)量，f_i表示第i個子圖像神經(jīng)網(wǎng)絡(luò)的識別結(jié)果，H_i表示權(quán)值參數(shù)。