[发明专利]一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法

权利要求书

1.一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，用于将待识别人脸图像与预先存储在数据库中的人脸图像进行比较，找出相似度最高的人脸，其特征在于，包括以下步骤：

S1，获取待识别人脸图像并对其进行预处理；

S2，判断所述数据库中人脸图像的数量是否达到预定值，若未达到则执行步骤S3，否则执行步骤S4；

S3，利用拉普拉斯对数脸算法从预处理后的待识别人脸图像中提取人脸特征，而后计算提取的人脸特征与数据库中各人脸图像对应的人脸特征之间的卡方距离，并将卡方距离最小的人脸图像作为与待识别人脸图像相似度最高的人脸；

S4，利用预先训练的卷积神经网络从预处理后的待识别人脸图像中提取人脸特征；而后计算提取的人脸特征与数据库中各人脸图像对应的人脸特征之间的余弦距离，并将余弦距离最小的人脸图像作为与待识别人脸图像相似度最高的人脸；

所述步骤S3中的拉普拉斯对数脸算法包括以下步骤：

首先将预处理后的待识别人脸图像依次变换到对数域及拉普拉斯域；

然后采用LBP算法从拉普拉斯域的待识别人脸图像中提取人脸特征。

2.根据权利要求1所述的基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，其特征在于，所述步骤S1中的预处理包括人脸矫正及图像裁剪操作。

3.根据权利要求1所述的基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，其特征在于，所述步骤S4中的卷积神经网络通过如下步骤提取人脸特征：

首先从预处理后的待识别人脸图像中提取不同尺度的人脸特征的；

然后将所述不同尺度的人脸特征进行融合。

4.根据权利要求3所述的基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，其特征在于，所述卷积神经网络包括依次连接的卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv31、卷积层Conv322、连接层Conc1、连接层Conc2、池化层Pool51、连接层Conc3和全连接层Fc5，还包括分别连接在池化层Pool2与连接层Conc1之间的卷积层Conv321和卷积层Conv323、连接在池化层Pool2与卷积层Conv321之间的池化层Pool3，分别连接在连接层Conc1与连接层Conc2之间的卷积层Conv4和池化层Pool4，连接在池化层Pool2与连接层Conc3之间的池化层Pool52，连接在连接层Conc1与连接层Conc3之间的池化层Pool53。

5.根据权利要求4所述的基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，其特征在于，卷积层Conv1的尺寸/步长设置为5×5/1，池化层Pool1的尺寸/步长设置为3×3/3、卷积层Conv2的尺寸/步长设置为3×3/1、池化层Pool2的尺寸/步长设置为2×2/2、卷积层Conv31的尺寸/步长设置为3×3/1、池化层Pool1的尺寸/步长设置为2×2/2、卷积层Conv321的尺寸/步长设置为1×1/1、卷积层Conv322的尺寸/步长设置为3×3/1、卷积层Conv323的尺寸/步长设置为5×5/1、卷积层Conv4的尺寸/步长设置为3×3/1、池化层Pool4的尺寸/步长设置为2×2/1、池化层Pool51的尺寸/步长设置为3×3/1、池化层Pool52的尺寸/步长设置为5×5/5、池化层Pool53的尺寸/步长设置为3×3/2。

6.根据权利要求1所述的基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，其特征在于，所述步骤S1和所述步骤S3基于移动终端实现，所述步骤S4基于PC端实现。