[发明专利]基于深度特征联合表示图像集人脸识别方法、装置和介质

权利要求书

1.一种基于深度特征联合表示的图像集人脸识别方法，其特征在于，包括：

获取待识别的人脸图像集，作为测试集，根据预设的人脸图像深度特征的提取策略，提取所述人脸图像集中人脸图像的深度特征；

根据预设的人脸图像深度特征的提取策略，提取预设图像训练集的人脸图像深度特征，创建联合协同表示模型对测试集进行表示；

基于所述联合协同表示模型以及预先创建的卷积神经网络的训练模型进行图像集人脸识别。

2.根据权利要求1所述的方法，其特征在于，所述联合协同表示模型包括：测试集上虚拟最近点表示、真实样本表示、类级联合表示。

3.根据权利要求1所述的方法，其特征在于，所述获取待识别的人脸图像集的步骤之前，还包括：

配置人脸图像深度特征的提取策略。

4.根据权利要求3所述的方法，其特征在于，所述配置人脸图像深度特征的提取策略的步骤包括：

对于预设实验数据库中的人脸图像，利用人脸特征点检测器检测得到人脸上的5个关键特征点，所述5个关键特征点分别是左眼睛中心点、右眼睛中心点、鼻尖、嘴巴左角点、嘴巴右角点；

根据所述5个关键特征点及对图像进行空间变换提供的5个模板点，对所述实验数据库中的人脸图像进行空间变换，将所述实验数据库中的人脸图像数据裁剪为预定尺寸；

部署对人脸图像进行提取特征的网络训练模型；

利用已训练好的网络训练模型对所述实验数据库中的人脸图像进行特征提取，得到每张人脸图像的深度特征。

5.根据权利要求4所述的方法，其特征在于，所述获取待识别的人脸图像集的步骤之前，还包括：

创建卷积神经网络的训练模型。

6.根据权利要求5所述的方法，其特征在于，所述创建卷积神经网络的训练模型的步骤包括：

对于CASIA-WebFace数据库中的每个人脸图像，依据所述人脸图像深度特征的提取策略，得到固定尺寸的需要训练的所有人脸图像；

将所有得到的人脸图像划分为验证集和训练集；

依据所述验证集和训练集，训练所述人脸图像深度特征的提取策略中部署的对人脸图像进行提取特征的网络模型，当网络收敛达到最佳效果时，保存训练模型。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：

对基于深度特征联合协同表示的图像集人脸识别方法进行验证。

8.一种图像集人脸识别装置，其特征在于，包括存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如权利要求1-7任意一项所述的方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如权利要求1-7中任一项所述的方法的步骤。