[发明专利]一种基于局部并行神经网络的红外人脸识别方法

说明书

本发明一种基于局部并行神经网络的红外人脸识别方法，它的网络结构主要包含四部分：一、提取初步卷积特征：通过一组2×2的卷积核提取初步的人脸特征并对输出特征信号进行整理；二、生成并行多尺度卷积特征：利用并行多尺度卷积网络结构提取代表不同尺度信息的人脸特征；三、生成分类特征向量：利用全连接层将卷积特征整合得到最终代表人脸身份的用于分类输入的特征向量并进行修正线性激活和随机忽略处理；四、训练并测试分类器：将处理过的全连接特征向量输入Softmax分类器计算损失并反向传播训练调整网络参数实现红外人脸识别。本发明能广泛应用于红外人脸识别与身份辨识应用。

技术领域

本发明涉及一种基于局部并行神经网络的红外人脸识别方法，属于数字图像处理，模式识别和红外工程技术领域。它主要涉及深度神经网络和多尺度特征分类技术，能广泛应用于红外人脸识别与身份验证等应用。

背景技术

红外人脸识别技术作为红外图像处理与模式识别的重要技术一直在向前发展，尽管可见光图像的人脸识别技术已经趋于成熟，然而在某些不具备可见光人脸成像的极端条件下，基于中长波红外传感器的人脸识别系统就成为了非常重要的信息处理途径，因而红外人脸识别具有重要的研究和应用价值。不同于可见光人脸图像，红外人脸图像不具备足够的色彩和纹理信息，加之成像质量较差造成红外人脸图像信噪比较低，基于可见光人脸识别的特征分类算法直接应用于红外人脸识别问题往往无法取得良好的效果。Fisherface算法[P.Belhumeur,J.Hespanha,and D.Kriegman,Eigenfaces vs.Fisherfaces:Recognition Using Class Specific Linear Projection,IEEE Transactions onPattern Analysis and Machine Intelligence,19(7)(1997)711-720.(贝尔胡米尔等:特征脸和费舍尔脸：基于类别的线性判别.IEEE模式分析与机器智能19(7)(1997)711-720)]，采用主成分分析法(Principal Component Analysis，PCA)对图像进行特征降维，并利用线性判别分析法(Linear Discriminant Analysis，LDA)对降维后的主成分特征进行转换使得样本在大类间散度与小类内散度之间实现平衡，该方法至今依然是人脸识别领域的主流方法之一。Local Binary Pattern(LBP)特征算法[T.Ojala,M.D.Harwood.Acomparative study of texture measures with classification based on featureddistributions,Pattern recognition,29(1)(1996)51-59.(奥亚拉等：基于特征分类的纹理度量比较性研究，模式识别29(1)(1996)51-59)]是一种描述图像局部空间结构的非参数算子，由于定义相对简单、扩展改造方便且易于在硬件快速运行的优点得到了广泛的应用。HoG特征[N.Dalal,et al.Histograms of oriented gradients for human detection,in:2005Computer Vision and Pattern Recognition,IEEE Computer SocietyConference on.IEEE,2005,pp.886-893.(达拉尔等：行人检测的梯度方向直方图算法.IEEE计算机视觉与模式识别会议,(2005)886-893.)]作为目标检测与识别的重要技术，其核心思想是图像中目标的形状特征信息可以被梯度和边缘的方向分布充分描述，因此通过在密集的同尺寸细胞单元中计算各个方向上梯度统计信息，并以直方图的方式来构造特征描述子。HoG特征对一般不要求旋转不变的应用如行人检测和人脸识别有良好的效果，然而对于目标纹理信息不明显的红外人脸图像往往不具有足够的表现力和区分度。近些年由于深度学习尤其是卷积网络的快速发展，基于深度神经网络的方法如DeepID[Y.Sun,etal.Deep learning face representation from predicting 10,000classes,in:Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2014,pp.1891-1898.(孙祎等：预测1000类的深度学习人脸算法，IEEE计算机视觉与模式识别会议，(2014)1891-1898.)]和DeepFace[Y.Taigman,et al.DeepFace:Closing the gap to human-level performance in face verification,in:Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2014,pp.1701-1708.(泰戈曼等：DeepFace算法在人脸辨识上已接近肉眼级别，IEEE计算机视觉与模式识别会议，(2014)1701-1708.)]，都是构造了适合于人脸识别的卷积神经网络。实际上DeepID算法是用深度卷积神经网络在LFW(Labeled Faces in theWild)数据集上以人脸识别分类作为训练任务得到网络的特征向量作为代表人脸的身份特征，再结合Joint Bayesian分类器实现人脸验证(face verification)。而DeepFace算法则在卷积神经网络之前设计了一个基于三维重建的人脸矫正模块，使得进入卷积特征提取器的姿态各异的人脸图像矫正为正面方向从而极大降低了提取有效特征的难度。