[發(fā)明專利]基于深度學習的復雜光照條件下人臉識別方法和識別系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010095594.4
• 申請日: 2020-02-17
• 公開（公告）號: CN111339856A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設計）人: 莊立運;季仁東;居勇峰
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 常虹

1.基于深度學習的復雜光照條件下人臉識別方法，其特征在于，包括訓練階段和識別階段；所述訓練階段的步驟為：

(1)建立訓練樣本集，所述訓練樣本集中的圖像為人臉圖像，并對圖像中的人臉標定類別標簽label；

(2)對訓練樣本集中的圖像進行預處理，以提升圖像的亮度分布均勻性；對預處理后的樣本圖像進行Log-Gabor濾波，每一個樣本圖像得到l個不同尺度和m個方向的l*m幅Gabor局部特征圖像；對每個Gabor局部特征圖像經(jīng)過LBP算子得到一個LBP圖像；將每一個LBP圖像分割為n個子塊，計算每個子塊的LBP直方圖；鏈接l*m個LBP圖像的n個子塊的LBP直方圖，得到每個樣本圖像的l*m*n維LBP紋理特征；所有樣本圖像的LBP紋理特征組成集合H_og；

(3)建立人臉識別的深度置信網(wǎng)絡DBN，所述DBN包括一個可視層和L個隱藏層；可視層和L個隱藏層的聯(lián)合分布概率為：

P(H,h⁽¹⁾,h⁽²⁾,...,h^(L))＝P(H|h⁽¹⁾)P(h⁽¹⁾|h⁽²⁾)...P(h^(L-1)|h^(L))

其中h^(l)為第l個隱藏層，l＝1,2,…,L；H為DBN的可視層，作為第0個隱藏層h⁽⁰⁾；

相鄰兩個隱藏層滿足：

其中，h_i^(k)為第k個隱藏層中第i個隱藏單元，為第k+1個隱藏層中第j個隱藏單元，為第k個隱藏層中第i個隱藏單元的偏置量，表示h_i^(k)和之間的權重；δ(·)為激活函數(shù)Sigmoid函數(shù)；在DBN中將P(h^(l-1)|h^(l))視為一個RBM模型；

(4)將訓練樣本集中每個樣本圖像的LBP紋理特征和類別標簽輸入DBN的可視層，對DBN進行訓練，優(yōu)化DBN的參數(shù)，得到訓練好的人臉識別模型；

所述識別階段的步驟為：

對待識別的人臉圖像進行預處理，以提升圖像的亮度分布均勻性；對預處理后的圖像進行Log-Gabor濾波，得到l個不同尺度和m個方向的l*m幅Gabor局部特征圖像；對每個Gabor局部特征圖像經(jīng)過LBP算子得到一個LBP圖像；將每一個LBP圖像分割為n個子塊，計算每個子塊的LBP直方圖，鏈接l*m個LBP圖像的n個子塊的LBP直方圖，得到待識別人臉圖像的l*m*n維LBP紋理特征；將待識別人臉圖像的LBP紋理特征輸入訓練好的人臉識別模型，得到待識別人臉的識別結果。

2.根據(jù)權利要求1所述的基于深度學習的復雜光照條件下人臉識別方法，其特征在于，步驟(2)中預處理后的圖像分割后的子塊大小為2×2、2×4、4×2、4×4、8×4、8×8或16×8之一。

3.根據(jù)權利要求1所述的基于深度學習的復雜光照條件下人臉識別方法，其特征在于，步驟(3)中所述DBN包括2個隱藏層。

4.根據(jù)權利要求1所述的基于深度學習的復雜光照條件下人臉識別方法，其特征在于，步驟(4)中對DBN訓練的目標是最大化訓練集的概率函數(shù)，所述訓練集的概率函數(shù)為：

其中w是權重矩陣，H_og是訓練集中樣本圖像的LBP紋理特征組成的集合；p(h_og)為集合H_og中LBP紋理特征概率函數(shù)值；E[·]為能量函數(shù)。

5.根據(jù)權利要求4所述的基于深度學習的復雜光照條件下人臉識別方法，其特征在于，對DBN采用迭代訓練，迭代數(shù)3000，學習率為0.001。

6.根據(jù)權利要求1所述的基于深度學習的復雜光照條件下人臉識別方法，其特征在于，所述DBN中每個隱藏層中的隱藏單元數(shù)量相同。