[发明专利]一种遮挡自适应人脸识别方法

说明书

本发明公开了一种遮挡自适应人脸识别方法，包括如下步骤：步骤一：预处理网络训练，选取人脸数据集，该人脸数据集为非理想条件下的面部图片，以数据集中各类标签为该预处理网络的输出结果进行有监督学习，神经元的激活函数选取f(x)=max(0，x)，网络的输入层输入为196*196分辨率的人脸灰度图像，第一层卷积使用9*9的卷积核，与之对应的第一层池化卷积核为5*5，该网络全连接层的输出将作为预处理完成的人脸特征传入下一步处理。本发明在人脸识别的第一步骤进行了改进，引入自适应判别提升了遮挡情况下的识别能力，同时降低了非遮挡情况下的计算性能需求，同时对人脸的特征信息进行初步的预处理。

技术领域

本发明涉及一种识别方法，具体是一种遮挡自适应人脸识别方法。

背景技术

人脸识别是当今生物识别领域的一大重点，拥有较高的实用价值，但是确面临小样本和非理想采集条件这两大难题。本发明拟在解决这两大问题，提高系统的可用性。Wright J等人在Robust face recognition via sparse representation一文中提出了稀疏表示(SRC)的方法，但是该方法不能克服小样本与类内误差的影响，例如识别对象佩戴墨镜。 Deng W等人在Extended SRC：undersampled face via intraclass variantdictionary 一文中对SRC方法进行了改进，提高了SRC方法的适应能力。但是因为都是基于线性的方式，所以并不能提出非线性的类内干扰。所以本发明通过引入了流行的神经网络技术与自适应选择，对人脸识别方法进行新的改进发明。单一的稀疏表示分类器在小样本和有遮挡的条件下识别能力下降，可用性降低。

发明内容

本发明的目的在于提供一种遮挡自适应人脸识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种遮挡自适应人脸识别方法，包括如下步骤：步骤一：预处理网络训练，选取人脸数据集，该人脸数据集为非理想条件下的面部图片，以数据集中各类标签为该预处理网络的输出结果进行有监督学习，神经元的激活函数选取f(x)＝max(0，x)，网络的输入层输入为196*196分辨率的人脸灰度图像，第一层卷积使用9*9的卷积核，与之对应的第一层池化卷积核为5*5，该网络全连接层的输出将作为预处理完成的人脸特征传入下一步处理；步骤二：自适应判别：基于原始输入图像进行扫描，判别是否存在完整的人脸区域，当未检测到完整的人脸区域时，即视为存在严重的遮挡；步骤三：分类器分类与表示，当判定为无遮挡条件时，我们使用对预处理后的输入图像特征使用稀疏表示，即y＝Ax+ε，其中y 为预处理后的输入图像特征，A为经过预处理网络处理后的字典，x为一个稀疏向量，ε为图像噪声，当判定为存在遮挡条件时，使用带有遮挡字典的稀疏表示，即y＝Ax+Dα+ε，其中y为预处理后的输入图像特征，A为经过预处理网络处理后的字典，D为噪声字典，x 与α均为稀疏向量，ε为图像噪声；步骤四：输出结果，该步骤分为两个情况，当判定为无遮挡的时候采用稀疏表示，则利用其中i即为字典的类标，进行结果的判定与输出，当判定为有遮挡的条件下使用其中i 即为字典的类标，进行结果的判定与输出。

作为本发明进一步的方案：所述预处理网络为CNN网络。

作为本发明再进一步的方案：所述自适应判别具体包括：使用基于haar特征的人脸检测技术，当大于haar阈值时视为存在完整的连通的人脸。