[发明专利]基于CSGF(2D)2PCANet卷积网络的人脸识别方法

权利要求书

1.基于CSGF(2D)²PCANet卷积网络的人脸识别方法，包含训练阶段和测试阶段。

2.根据权利要求1所述的基于CSGF(2D)²PCANet卷积网络的人脸识别方法，训练阶段包括下列步骤：

步骤一、对训练图像进行预处理，包括将图像转化为灰度图、调整图像尺寸为p×q；

步骤二、将训练样本依次送入CSGF(2D)²PCANet模型的第一个特征提取层，获取第一个特征提取层的CSGF特征图像；具体地，令表示人脸图像训练集，其中N为训练集中的样本数，表示一张人脸样本图像；将每个样本A_i依次送入第一个特征提取层，首先进CSGF，通过降采样，得到最终的CSGF特征图像，记为其中s是特征图像降采样后的像素个数，t是CSGF的个数，t＝5；

步骤三、对每个CSGF特征图像B_i，扫描提取大小相同的图像块(m×n个l₁×l₂大小的图像块)，对图像块采取去均值操作，获得其中表示B_i中第j个去均值图像块；所有CSGF特征图像经过相同的处理之后，可得到样本矩阵为了方便描述，用连续的序号表示I中所有的图像块并重记为

步骤四、利用基于(2D)²PCA的特征投影向量分析方法，同时从行、列两个方向提取样本矩阵I的最优投影轴，作为第一层特征提取阶段卷积滤波器N₁为第一层卷积滤波器的个数；

步骤五、将步骤四学习到的卷积滤波器与训练集人脸原始图像分别卷积，得到第一层的输出特征图(N×N₁个特征图)其中

步骤六、将步骤五得到的每个训练样本A_i对应的特征图作为第二个特征提取层输入，利用与步骤三至步骤五同样的特征学习方法，依次学习第二层的(人脸区分性特征)卷积滤波器N₂为第二层卷积滤波器的个数；并用卷积滤波器与步骤五得到的特征图分别卷积，得到N×N₁×N₂个第二层特征图其中

步骤七、对步骤六中得到的每个训练样本A_i对应的第二层特征图二值哈希编码得到二值化特征图具体地，首先利用二值哈希函数H(·)将二值化，其中，当输入大于0时，H(·)值为1，当输入小于或等于0时，H(·)值为0；然后将所有由第二层的输入(第一层中由训练样本A_i生成的第n个特征图)二次卷积得到的N₂个二值化特征图作为一组，将这N₂个二值化特征图同一像素位置的二进制数组成的二值向量并转化为十进制数，从而得到一张整数值输出图其中i∈[1,N],n∈[1,N₁]；因此单个样本A_i最终生成N₁个二值特征图所有样本最终得到N×N₁个二值特征图

步骤八、针对每个二值特征图其中i∈[1,N],n∈[1,N₁]，以滑动窗的形式取[b₁ b₂]大小的块,块的重叠比例为α,计算每个块的统计直方图，记为然后将所有由单个样本A_i生成的N₁个二值特征图的局部区域的统计直方图拼接起来，得到人脸图像A_i的最终输出特征

步骤九、将步骤八得到的所有样本的输出特征送入LinearSVM分类器中训练，获得基于CSGF(2D)²PCANet的最优Linear SVM的人脸身份识别分类模型。