[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

说明书

技术领域

本发明属于人脸识别技术领域，具体涉及一种基于分块深度神经网络的非限制环境人脸验证方法。

背景技术

人脸验证的目标是验证被某个人声明的身份。通常提供一对人脸图片，需要判断这一对图片是来自同一个人还是不同人。非限制环境中的人脸图片通常包含复杂的背景变化，包括光照，遮挡，及自身的姿态，表情等变化。这些影响因素带来的差异可能比因身份变化而导致的图片差异还大。因此，在非限制环境中，姿态相同或光照条件相同的不同人图片对常常会被验证成来自同一个人；而同一人的图片对却由于环境差异很大而被验证成来自不同人。这一现象导致高精度的非限制环境人脸验证非常困难。

目前，大多数人脸识别方法主要依赖于人为设计的描述，如尺度不变特征转换（SIFT），局部二值模式（LBP）及它的变形分层局部二值模式（HLBP）。这些特征一般只能提供低级的有限的信息，导致系统不能达到很好的性能。最近，为图像描述开发监督或者非监督的特征学习方法在人脸识别领域受到很大的关注。CN101059838A公开了一种人脸识别系统与识别方法，与现有监控网络很好的兼容；CN103049736A公开了一种基于最大稳定极值区域的人脸识别方法，通过提取表征关键特征的属性，并对关键特征进行分类，从而达到人脸识别的目的。此外，有人用修改的二项式单元来构造深度神经网络，并将它用于目标识别和人脸验证；也有人提出利用深度卷积神经网络学习完备分层的图像表述。深度神经网络获得研究者的广泛关注的主要是因为它强大的学习能力。经过训练，它能深度挖掘原始输入中的有用信息。但是，当输入的特征维数较高时，网络的训练比较困难，时间复杂度也高。为了解决这一问题，有的学者通过下采样的方法来降低原始图像的大小。这种做法通常会损失很多的区分信息，对接下来的区分性学习产生不利影响。

发明内容

本发明的目的是要解决复杂环境中低级特征表述能力差及深度神经网络对高维输入训练难的问题，为此，本发明提供一种基于分块深度神经网络的非限制环境人脸验证方法。

为了实现所述目的，本发明基于深度神经网络的非限制环境人脸验证方法的技术解决方案如下：

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，子图像特征输入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所述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。