[发明专利]基于CSGF(2D)2PCANet卷积网络的人脸识别方法

说明书

技术领域：

本发明属于机器视觉领域，特别涉及一种基于CSGF(2D)²PCANet卷积网络的人脸识别方法。

背景技术：

人脸身份识别技术是利用计算机分析人脸的图像或视频流，从中提取每个人脸所蕴含的特征，并通过这些提取的特征识别身份的一种技术。

近年来，人脸身份识别技术得到较快的发展，并取得了大量的研究成果。目前，最主要的人脸身份识别方法可分为几类：基于几何特征的人脸身份识别、基于相关匹配的人脸身份识别、基于子空间的人脸身份识别、基于统计的人脸身份识别、基于弹性匹配的人脸身份识别、基于神经网络的人脸身份识别和基于三维模型的人脸身份识别等。人脸身份识别在理论研究和实际应用中都有十分重要的价值。近年来，虽然人脸身份识别在理论研究中积累了宝贵的经验,但在实际的应用中，由于人脸的表情、姿态、光照强度、遮挡物、噪声变化等问题使得人脸身份识别的鲁棒性受到很大的影响，因而人脸身份识别在实际应用中面临诸多的挑战。

本发明为了克服上述人脸身份识别现有技术中的问题，提出了一种基于CSGF(2D)²PCANet卷积网络的人脸识别方法。此方法不仅克服了CNN耗时、标签数目需求量大及Gabor滤波数据冗余、选取方向时离散无旋转不变性的缺点，而且吸取了深度模型和环形对称Gabor滤波器(Circular Symmetric Gabor Filter,CSGF)的优点，可以提取数据中更加抽象的特征，对光照、表情、遮挡等因素具有鲁棒性。

发明内容：

本发明的主要目的是提出一种基于CSGF(2D)²PCANet卷积网络的人脸识别方法，具有旋转不变性，在各个方向都具有相同的滤波作用，能够高效地进行人脸识别。

为了实现上述目的，本发明提供如下技术方案，包含训练阶段和测试阶段。

基于CSGF(2D)²PCANet卷积网络的人脸识别方法训练阶段技术方案如下：

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，首先进行CSGF，通过降采样，得到最终的CSGF特征图像[1]，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[2]，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