[发明专利]一种基于深度信赖网络的超分辨率人脸识别方法

权利要求书

1.一种基于深度信赖网络的超分辨率人脸识别方法，其特征在于包含以下步骤：

1）对低分辨率图像进行最近邻插值、双线性插值或者双三次插值，使得高低分辨率图像的维度一致；

2）将维度一致的带有姿态差异的高低分辨率人脸图像灰度归一到(0,1)之间，并作为深度信赖网络的可视向量v输入到网络中，深度信赖网络由多层的受限的波尔兹曼机构成；所述的受限的波尔兹曼机是一种特殊的神经网络模型，具有对称的连接权系数，网络由可视单元v∈{0,1}^D和隐层单元h∈{0,1}^F构成；

3）然后，训练深度信赖网络；

4）将经过最近邻插值、双线性插值或者双三次插值的测试低分辨率图像输入到深度信赖网络，由深度信赖网络给出最终的识别结果。

2.如权利要求1所述的超分辨率人脸识别方法，其特征在于：所述的步骤2）是指：带有姿态差异的高低分辨率人脸图像其分辨率为h×w，将其展开成为一行长度为h×w的向量，并将其灰度强度归一到（0，1）。

3.如权利要求1或2所述的超分辨率人脸识别方法，其特征在于：所述的步骤3）中的训练深度信赖网络包含以下步骤：

将深度信赖网络分解成由相邻两层构成的一系列受限的玻尔兹曼机，逐层训练参数；

1）初始化深度信赖网络：首先将经验数据v作为输入，训练第一层受限波尔兹曼机的权值系数矩阵W¹；接着将W¹固定，通过p(h¹|v)=p(h¹|v,W¹)，训练出第一层受限波尔兹曼机的隐层向量h¹；将h¹作为第二层受限波尔兹曼机的输入，训练第二层受限波尔兹曼机的权值系数矩阵W²；递归地计算出每一层的隐含单元向量和权值系数矩阵；

2）微调：为达到分类目的，在最后一层网络再添加一层逻辑回归层，并采用梯度下降法训练整个网络。

4.如权利要求3所述的超分辨率人脸识别方法，其特征在于：所述的初始化深度信赖网络，计算权值和隐层单元的包括以下特征：

通过经验数据估计模型参数或隐层单元状态：状态{v，h}的能量方程定义为：

E(v,h;θ)=-v^TWh-b^Tv-a^Th            （1）

其中θ={W,a,b}为参数，W可视层和隐层之间对称的连接权系数，a和b为基矩阵，可视向量与隐层向量的联合分布矩阵为：

p(v,h;θ)=1z(θ)exp(-E(v,h;θ))---(2)]]>

设E_data[.]为数据完整分布p_data(v,h;θ)=p(h|v;θ)p_data(v)的期望，其中p_data(v)为数据的先验知识，E_model[.]为公式（2）代表的模型期望，则由公式（3~5）求得最优的参数θ＝{W,a,b}或者相应的隐层状态向量h。

∂logp(v;θ)∂W=α(Edate[vhT]-Emodel[vhT])---(3)]]>

∂logp(v;θ)∂a=α(Edate[h]-Emodel[h])---(4)]]>

∂logp(v;θ)∂b=α(Edate[v]-Emodel[v])---(5)]]>

其中α为学习率。