[发明专利]基于深度信念网络的多姿态人脸识别的方法和装置

权利要求书

1.一种基于深度信念网络的多姿态人脸识别的方法，包括：

获取人脸图像的训练集并进行预处理；

将深度信念网络分解成多层相邻量程构成的受限玻尔兹曼机，输入所述预处理后的训练集通过贪心算法预训练所述深度信念网络的参数；

使用自编码器对训练好的深度信念网络进行参数微调；

在所述微调后的深度信念网络中添加极限学习机，对多姿态人脸图像进行分类识别。

2.根据权利要求1所述的方法，其特征在于，输入所述预处理后的训练集通过贪心算法预训练所述深度信念网络的参数，包括：

将所述预处理后的训练集输入所述深度信念网络，通过贪心算法训练第一层受限玻尔兹曼机的第一网络权重、第一可视单元偏移量和第一隐藏单元偏移量，通过所述第一网络权重、第一可视单元偏移量和第一隐藏单元偏移量计算出第一层受限玻尔兹曼机的隐藏层向量，并以上一层的输出作为下一层的输入递归计算出每层受限玻尔兹曼机的网络权重、可视单元偏移量和隐藏单元偏移量及隐藏层向量。

3.根据权利要求1所述的方法，其特征在于，使用自编码器对训练好的深度信念网络进行参数微调，包括：

将训练好的深度信念网络的输出，输入到自编码器，作为标签对所述自编码器进行训练，通过训练好的自编码器微调所述深度信念网路的参数。

4.根据权利要求1所述的方法，其特征在于，在所述微调后的深度信念网络中添加极限学习机，对多姿态人脸图像进行分类识别，包括：

在所述微调后的深度信念网络的最顶层添加极限学习机，以所述极限学习机作为单隐层前馈型神经网络，对多姿态人脸图像进行分类识别。

5.根据权利要求1-4中任一项所述的方法，其特征在于，获取人脸图像的训练集并进行预处理，包括：

对人脸库图像中的训练图像取其镜像图像，并与所述训练图像一起组成训练集，对所述训练集中的所有人脸图像进行预处理，将其中低分辨率人脸图像进行插值处理，使其与高分辨率人脸图像具有同等的分辨率。

6.一种基于深度信念网络的多姿态人脸识别的装置，包括：

获取模块，其配置成获取人脸图像的训练集并进行预处理；

训练模块，其配置成将深度信念网络分解成多层相邻量程构成的受限玻尔兹曼机，输入所述预处理后的训练集通过贪心算法预训练所述深度信念网络的参数；

微调模块，其配置成使用自编码器对训练好的深度信念网络进行参数微调；

识别模块，其配置成在所述微调后的深度信念网络中添加极限学习机，对多姿态人脸图像进行分类识别。

7.根据权利要求6所述的装置，其特征在于，所述训练模块具体配置成：

将所述预处理后的训练集输入所述深度信念网络，通过贪心算法训练第一层受限玻尔兹曼机的第一网络权重、第一可视单元偏移量和第一隐藏单元偏移量，通过所述第一网络权重、第一可视单元偏移量和第一隐藏单元偏移量计算出第一层受限玻尔兹曼机的隐藏层向量，并以上一层的输出作为下一层的输入递归计算出每层受限玻尔兹曼机的网络权重、可视单元偏移量和隐藏单元偏移量及隐藏层向量。

8.根据权利要求6所述的装置，其特征在于，所述微调模块具体配置成：

将训练好的深度信念网络的输出，输入到自编码器，作为标签对所述自编码器进行训练，通过训练好的自编码器微调所述深度信念网路的参数。

9.根据权利要求6所述的装置，其特征在于，所述识别模块具体配置成：

在所述微调后的深度信念网络的最顶层添加极限学习机，以所述极限学习机作为单隐层前馈型神经网络，对多姿态人脸图像进行分类识别。

10.根据权利要求6-9中任一项所述的装置，其特征在于，所述获取模块具体配置成：

对人脸库图像中的训练图像取其镜像图像，并与所述训练图像一起组成训练集，对所述训练集中的所有人脸图像进行预处理，将其中低分辨率人脸图像进行插值处理，使其与高分辨率人脸图像具有同等的分辨率。