[发明专利]一种基于卷积神经网络特征的跨质量人脸识别方法

说明书

本发明提出了一种基于卷积神经网络特征的跨质量人脸识别方法，该方法首先获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；其次设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习得到一个特征向量；再次对测试图像块的特征向量和训练图像块的特征向量进行线性表示；然后对低质量测试图像块的特征表示和高分辨率训练图像块的特征表示进行相似性度量，并输出每一个测试图像块的类别；最后对于一张人脸图像分为S个人脸关键点的图像块集合，对每一个关键点位置的图像块分类结果进行投票，将图像分给获取票数最多的那一个类，输出最终低质量测试图像的类别。

技术领域

本发明涉及一种图像识别方法，具体的说是一种基于卷积神经网络特征的跨质量人脸识别方法，属于模式识别和生物特征识别技术领域。

背景技术

人脸识别技术是基于计算机、图像处理及模式识别的一项热门的研究课题。一直以来，随着人脸识别在各个社会领域的广泛应用，如刑事案件鉴定、公安系统、监控等，人脸识别技术得到了越来越多的关注。

在人脸识别过程中，存在因人脸图像质量不一致导致识别精度不高的问题，有时候很难完成识别工作。现有的人脸检测方法：

[1]X.Cao,Y.Wei,F.Wen,J.Sun,“Face alignment by explicit shaperegression”Int.J.Computer.Vis.107(2)(2014),pp.177–190.

现有的优化求解方法：

[2]E.Hale,W.Yin,Y.Zhang,“Fixed-point contiuation for l1-minimization:methodology and convergence”,SIAM J.Optim.19(3)(2008)1107–1130.

现有方法存在的缺点是不能够及时的处理不同质量图像之间的识别，并且受到光照、遮挡等因素，会很大程度降低识别效率。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足而提供一种基于卷积神经网络特征的跨质量人脸识别方法。

本发明提供一种基于卷积神经网络特征的跨质量人脸识别方法包括以下步骤：

S1、将低质量人脸图像上采样到跟高质量图像一样的分辨率，通过人脸特征点检测技术[1]获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；转至步骤S2；

S2、设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习，得到一个特征向量；转至步骤S3；

S3、运用加权稀疏编码正则的回归表示方法对低质量测试图像块的特征向量和高质量训练图像块的特征向量进行线性表示；转至步骤S4；

S4、对低质量测试图像块的特征向量的线性表示和高质量训练图像块的特征向量的线性表示进行相似性度量，并输出每一个低质量测试图像块的类别；转至步骤S5；

S5、对于一张人脸图像分为S个人脸关键点的图像块集合，对每一个关键点位置的图像块分类结果进行投票，将图像分给获取票数最多的那一个类，输出最终低质量测试图像的类别。

通过本发明的方法，对人脸特征点检测技术对图像进行分块，提取的人脸关键部位的图像块，这样就避免了不必要的部位的信息对识别结果造成的影响，减少了计算的复杂度。利用基于特征表示集卷积神经网络进行学习得到向量，代替了直接提取像素点特征，然后再进行线性特征表示，这样就可以对那些低质量的人脸图像进行识别。

作为本发明的进一步技术方案，步骤S2的具体方法如下：

设计一种深度卷积神经网络，该神经网络由10个卷积层，10个归一化层和9个激活层组成；