[发明专利]一种基于局部特征与深度学习的人脸特征提取方法

权利要求书

1.一种基于局部特征与深度学习的人脸特征提取方法，其特征在于，包括以下步骤：

S1、对原始人脸图像进行以双线性插值为预处理方式的尺度变换，将人脸面部图像划分成4×4的等大小区域块；

S2、分别提取出步骤S1区域块的基于局部三值模式LTP的人脸局部纹理特征以及统计直方图，将分块提取出的LTP统计直方图合并为整体的LTP特征向量；

S3、将整体的LTP特征向量作为深度玻尔兹曼机(DBM)模型的输入信息，采用贪心逐层算法进行预训练；

S4、通过预训练的参数对DBM模型进行调节；

S5、利用融合局部特征和深度学习训练的方式，在DBM模型中的顶层单元采用Softmax实现特征的分类回归并识别人脸。

2.根据权利要求1所述的基于局部特征与深度学习的人脸特征提取方法，其特征在于，所述步骤S2对分块的图像采用LTP提取局部纹理特征，通过用户定义的阈值t和增加一个编码，通过计算邻域像素p_s与中心像素p_c的差值，若差值大于t，则被量化为1。若差值小于t，则被量化为-1，当差值在[-t,t]范围之内时，则被量化为0，LTP的具体公式定义如下：

其中，p_c是中心像素，p_s是邻域像素，t是用户自定义的阈值，LTP的描述算子公式如下：

为简化计算，提取LTP特征时分解为正、负模式两层，再在各层分别使用LBP编码方式，得到两层不同的纹理的特征脸。

3.根据权利要求1所述的基于局部特征与深度学习的人脸特征提取方法，其特征在于，所述步骤S3将这些特征向量作为DBM模型中输入信息，采用贪心逐层算法进行预训练，具体步骤如下：

在DBM中包含一个可见层υ和3个隐藏层h⁽¹⁾、h⁽²⁾和h⁽³⁾，是由多个受限玻尔兹曼机(RBM)堆叠而成，DBM能够通过高一层获得低一层单元之间的数据结构依赖关系来得到一个有效的模型，给定一个三层的DBM模型，每一层内的每个变量是相互独立的，每一层间是全连接的，状态为(υ,h⁽¹⁾,h⁽²⁾)，DBM的联合概率分布P_c(υ,h⁽¹⁾,h⁽²⁾)和能量函数E(υ,h⁽¹⁾,h⁽²⁾；θ)定义分别为：

其中，模型参数为θ＝{W⁽¹⁾,W⁽²⁾,a,b,c}，W⁽¹⁾是可见层υ单元与隐层h⁽¹⁾单元之间所连接边的权重，W⁽²⁾是隐层h⁽¹⁾单元与隐层h⁽²⁾单元之间所连接边的权重，a是可见层υ单元的偏置，b是隐层h⁽¹⁾的偏置，c是隐层h⁽²⁾的偏置，DBM能量函数以权重矩阵W⁽²⁾的形式表示隐藏单元之间的连接；归一化常量Z(θ)可以表示为：

DBM的预训练采用贪心逐层预训练算法，DBM的每一层被单独视为RBM进行训练。第一层被训练为对输入数据进行建模，每个后续RBM被训练为对来自前一RBM后验分布的样本进行建模。

4.根据权利要求3所述的基于局部特征与深度学习的人脸特征提取方法，其特征在于，所述贪心逐层预训练算法具体包括：

逐层贪婪算法的主要步骤是每次只训练网络中的一层，即首先训练一个只含一个隐藏层的网络，仅当这层网络训练结束之后才开始训练一个有两个隐藏层的网络，以此类推。在每一步中，把已经训练好的前k-1层固定，然后增加第 k层，就是将已经训练好的前k-1的输出作为输入。