[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

说明书

本申请公开了一种基于深度信念网络的多姿态人脸识别的方法和装置，属于人脸识别领域。该方法包括：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。该装置包括：获取模块、训练模块、微调模块和识别模块。本申请将深度信念网络与极限学习机相结合，在复杂函数的非线性问题方面具有优异的性能，克服姿态变化的非线性和分辨率低的影响，分类时间和识别效果都具有明显的提升。

技术领域

本申请涉及人脸识别领域，特别是涉及一种基于深度信念网络的多姿态人脸识别的方法和装置。

背景技术

深度信念网络(Deep Neural Networks，DNN)可以理解为有很多隐藏层的神经网络，又被称为深度前馈网络或多层感知机。DNN可以分为输入层、隐藏层和输出层，一般第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。层与层之间是全连接的。深度信念网络是一种良好的无监督学习方法，其特征提取功能能够针对不同概念的粒度大小，能够在很多领域得到广泛的应用。通常，通过级联多层卷积网络组成深度信念网络的模型主要用于二维数据，例如图像等。

目前，已经存在采用深度信念网络进行人脸图像识别的应用，将经过分帧及优化之后的人脸图像作为原始数据输入，并采用SVM(Support Vector Machine，支持向量机)作为分类器，训练深度信念网络提取人脸的特征，从而进行人脸识别。其中，深度信念网络还在最高层添加逻辑回归层，一方面在训练学习阶段用于对整个网络结构进行参数微调，另一方面在测试阶段对人脸图像进行分类识别。与基于梅尔倒谱系数特征分类的方法相比，分类精度得到了提高，但是对于多姿态的人脸图像存在非线性问题和低分辨率问题。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了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RBM(Restricted BoltzmannMachine，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。

可选地，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。

可选地，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。

可选地，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。

可选地，获取人脸图像的训练集并进行预处理，包括：