[發明專利]基于卷積神經網絡的人臉識別方法

在審

• 申請號: 201910100235.0
• 申請日: 2019-01-31
• 公開（公告）號: CN109815929A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 宮生文
• 申請（專利權）人: 青島科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 杭州天昊專利代理事務所(特殊普通合伙) 33283
• 代理人: 程皓

1.基于卷積神經網絡的人臉識別方法，其特征在于，卷積神經網絡包括輸入層、卷積層、下采樣層和全連接層；具體處理步驟如下：

101)圖像預處理步驟：通過二階微分線性方法對二維圖像f(x,y)進行預處理，強化圖像邊緣特征，x和y分別表示橫軸和縱軸；具體公式如下：

利用差分分別得到沿x和y軸方向的二階偏導：

由公式(2)、公式(3)得：

102)卷積處理步驟：通過卷積層對已經預處理的二維圖像進行處理，包括卷積核的數量、大小、數值和卷積核進行運算的步長；卷積核的數量為獲取的特征參數的數量；卷積核的大小為要匹配的特征的大小，影響局部特征檢測的準確性和運算效率；卷積核的數值以初始化均值為0，方差為0.01；卷積核的步長為局部感知中的距離，圖像中距離越近，卷積核的步長越大的部分相關性越大，不相鄰部分卷積核的步長越小相關性越?。辉陬A處理的二維圖像的基礎上在圖像四周添加列數和行數，以完成對全部的圖像數據的卷積操作；其中列數和行數為卷積核的大小減一，卷積層處理二維空間變換的公式如下：

z(x,y)＝(k*g)(x,y)＝∫∫k(t,h)g(x-t,y-t)dtdh 公式(5)

k、g是兩個可積分的函數，x為橫軸坐標，y為縱軸坐標，t為橫軸坐標，h為縱軸坐標；

103)降維步驟：由下采樣層對數據進行壓縮，減少參數的數量，抑制過擬合的發生，刷選特征數據，保留重要特征數據；具體如下：

將m個二維圖像數據集A用矩陣形式表示從中尋找主方向u，將m樣本值投影到直線L上，獲取投影點的方差，方差具有最大值；其中二維圖像數據已經進行了去均值化處理；

投影的公式如下：

由公式(6)得方差：

Var(A·u)＝(Au)^T(Au)＝u^TA^TAu 公式(7)

從而得到目標函數J：

J(u)＝u^TA^TAu 公式(8)

為向量u添加單位向量的約束，即

由拉格朗日乘數法處理得到如下公式：

L(u)＝u^TA^TAu-λ(u^Tu-1) 公式(9)

λ為拉格朗日乘子，L為拉格朗日函數；

對公式(9)求偏導得：

對矩陣A^TA進行特征分解，之后按照從大到小將得到的特征值進行排序α₁≥α₂≥α₃≥…≥α_d，則前幾個特征向量便是所求的特征向量W＝(ω₁,ω₂,ω₃,…,ω_e)，其中e≤d。

2.根據權利要求1中所述的基于卷積神經網絡的人臉識別方法，其特征在于，還包括優化步驟：降維中參數本身會造成誤差，且誤差只體現在輸出時，因此通過反向過程，獲得處理過程中損失函數對參數的導數，最終得到參數的誤差，調整參數；其中反向過程先對中間變量求導，再利用中間變量得到損失函數參數的求導，其中輸出的誤差等于預測值與實際值的差值，最終誤差為這層的輸出與上層的誤差的乘積。

3.根據權利要求2中所述的基于卷積神經網絡的人臉識別方法，其特征在于，具體反向過程的處理公式如下：

δ^l＝(θ^l)Tδ^l+1*f′(z^l)

其中，δ^l為每層中的每個神經元的誤差，θ¹為每層的參數矩陣，l為第l層，f為激活函數，z^l為每層的中間變量，a^l為每層的輸出結果，J為損失函數，θ為每層的參數矩陣，z為中間變量，a為輸出結果。