[发明专利]一种基于分块深度神经网络的非限制环境人脸验证方法

权利要求书

1.一种基于分块深度神经网络的非限制环境人脸验证方法，其特征在于，包括步骤：1）检测输入人脸图像的人脸区域，并将所述人脸区域进行归一化处理；2）将所述归一化处理后的人脸区域划分为若干个不重叠的矩形子图像， 提取每一个子图像的特征、并进行降维和归一化处理；3）根据所提取的子图像特征，对每个子图像构建一个深度神经网络，所有的深度神经网络形成深度神经网络群，子图像特征输入深度神经网络后转变为新特征；4）根据成对的人脸图像数据和所述的深度神经网络群，通过约束变换后新特征的异类分离性和同类紧致性优化深度神经网络结构参数；5）将成对的人脸图像输入优化的深度神经网络群，计算新特征的距离验证人脸对；其具体步骤为：

  A)首先，检测原始输入图片中人脸的位置，提取人脸区域图像，将人脸区域归一化为大小为                                                的矩形图像区域，H表示矩形图像区域的高度，W表示矩形图像区域的宽度；

  B）将归一化的人脸区域等分成若干大小为的无重叠子图像，h表示子图像的高度，w表示子图像的宽度，在每个子图像上提取特征，并用主成分分析方法对特征降维，然后将特征归一化使其均值为0方差为1；

  C）将提取的子图像特征作为严格玻尔兹曼机RBM的输入，通过最大化训练集数据在RBM上的log似然函数来优化其结构参数，原子图像特征输入优化的RBM后得到的输出作为新的RBM的输入，以相同的方式优化新RBM参数，以这种方式，在子图像上有序地训练一系列的RBM；将这些RBM按照训练的顺序分层叠加形成深度神经网络，网络的初始结构参数为优化的RBM的结构参数，这样，对每个子图像预训练一个深度神经网络，同时原始的子图像特征经过深度神经网络变换后，得到新的特征表述；

  D）训练集由成对的图像对组成，包括同一人在不同环境下的人脸图像对和不同人的人脸图像对；所有原始图片输入预训练构造的深度神经网络群后得到新的特征表述；通过约束变换后同一人的图片对距离小而不同人的图片对距离大，构造优化能量函数；利用梯度下降法求解，得到最优的深度神经网络结构参数；

   E)对于成对的测试图片，将原始特征输入深度神经网络得到变换后的特征，计算新特征的距离，和分类阈值比较，如果距离大于分类阈值，则测试图片对为不同的人脸图像，如果距离小于分类阈值，则测试图片对为同一人的人脸图像。

2.根据权利要求1所述的人脸验证方法，其特征在于，所述步骤B)中，对训练集上的所有图片提取特征后，进行主成分分析获得降维矩阵；原始特征经降维矩阵后获得低维特征，对降维后的特征求均值和方差，并将其转化为均值为0、方差为1的特征分布。

3.根据权利要求1-2中任一项所述的人脸验证方法，其特征在于，所述步骤C)步中，严格玻尔兹曼机RBM是一种无向的图模型，包括一个可见层和一个隐含层，模型的参数包括可见层和隐含层间的权重连接矩阵、可见层的偏差和隐含层的偏差，RBM的能量函数定义为：

    其中，是第i个可见层单元的输入值和偏差；是第j个隐含层单元的输出值和偏差；是第i个可见层单元与第j个隐含层单元间的连接权重；是第i个可见层单元中高斯噪声的标准方差，v表示可见层单元，h表示隐含层单元；vis表示可见层，hid表示隐含层，基于能量函数的联合概率分布定义为：

    其中，是归一化因子，同时，条件概率分布计算为：

，

 ,

    其中，为sigmoid函数；表示高斯分布函数。

4.根据权利要求1-3中任一项所述的人脸验证方法，其特征在于，所述步骤C)中，训练集数据在RBM上的log似然函数定义为：

,

    其中，为训练集中的数据，为训练集数据个数；为RBM的结构参数，p表示数据的分布概率，因此，RBM结构参数的训练步骤如下：

    a)利用剃度下降方法求解训练集log似然函数对参数的梯度：

，

    其中，表示梯度在训练集数据上的期望；表示梯度在模型定义的分布上的期望 

   b)  参数的更新方式为：，

    其中，表示学习速率，t表示第t次迭代更新，是加速学习的动量因子。