[发明专利]一种基于深度卷积神经网络的面部图像识别算法

权利要求书

1.一种基于深度卷积神经网络的面部图像识别算法，其特征在于，所述方法包括以下步骤：

S1，采用阈值法和形态学法对面部图像进行预切割处理，剔除水印信息和大量无信息的黑色区域，放大怀疑区域的占图比例，识别出人脸各部分的细化特征；

S2，采用全卷积神经网络结合多示例学习方法构建基础系统结构，将多语义上下文特征融合与空洞残差操作块结合，嵌入基础系统结构中，在保证系统对图像语义信息有效提取的前提下，保留系统对图像空间信息的感知，同时实现面部图像分类和怀疑区域定位；

S3，模型训练阶段的损失函数分为两方面，其一是利用图像级标签计算图像的良恶性二分类交叉熵损失；其二是利用少量定位框标签计算示例的良恶性二分类交叉熵损失，两者进行加权和，得到总损失函数；

S4，利用S2中构建的系统和S3设计的总损失函数，以S1获得的人脸图像为输入，利用反向传导过程训练S2构建系统的模型参数；

S5，对输入的人脸图像进行S1的预切割处理后，输入训练得到的系统模型中，得到示例概率回归图和图像概率回归值，得出该输入人脸面部图像的分类和判定区域结果。

2.根据权利要求1所述的一种基于深度卷积神经网络的面部图像识别算法，其特征在于：在S2中，采用全卷积神经网络进行图像特征提取，获得通道维度为C，空间维度为W×h的语义特征图；再经过个3x3的C维卷积核，得到个W×h的语义特征图，经过ReLU激活函数进行非线性激活，再经过1个1x1的维卷积核，得到1个W×h的语义特征图；接着经过逐示例的逻辑斯特回归，得到1个W×h的概率回归图；逐示例的逻辑斯特回归公式如下所示：

其中，n代表第n张输入图片，ij代表第i列第j行，代表第n张输入图片的语义特征图在第i列第j行的概率回归值；经过逻辑斯特回归后每个示例的值被回归至[0,1]，代表各示例点为人脸细化特征对应的身体健康状况信息的概率，将概率回归图每个示例点按照空间位置对应关系还原至对应的原始图像块，概率值大于0.5的图像块即模型判定的异常区域，实现人脸细化特征对应的身体健康状况定位；

对概率回归图进行最大值滤波，得到全图的人脸细化特征对应的身体健康状况分类概率结果，实现图像的特征或异常分类；最大值滤波公式如下所示：

其中pⁿ代表第n张输入图片的特征或异常概率值；

空洞残差模块通过在模型的第四个基础残差块中引入空洞卷积操作，将基础残差块的移窗步长设置为1，除第一个卷积层外，设置剩余的卷积层为空洞为1的空洞卷积；多语义上下文特征融合将原始图像经过四个残差块获得的四个多维特征，通过多维特征映射到语义特征得到4个包含不同语义信息的上下文特征，其中不同尺寸的上下文特征通过最大值滤波统一尺寸，最后经过逐像素点相加得到融合语义特征图。

3.根据权利要求1所述的一种基于深度卷积神经网络的面部图像识别算法，其特征在于：在S3中，损失函数分为两方面，其一利用图像级标签计算图像的良恶性二分类交叉熵损失，公式如下所示：

其中yⁿ代表第n张图片的图像级分类标签，yⁿ∈{0，1}，当yⁿ＝0时，表示良性，当yⁿ＝1时，表示恶性。

4.根据权利要求1所述的一种基于深度卷积神经网络的面部图像识别算法，其特征在于：在S3中，损失函数分为两方面，其二利用少量定位框标签计算示例的正常异常性二分类交叉熵损失，公式如下所示：

其中代表第n张图片的定位标注图在第i列第j行的分类标签，当时，表示良性，当时，表示恶性；

最终总损失函数为上述两者的加权和，公式如下所示：

其中，α_n＝1表示第n个样本带有定位标注，反之则α_n＝0；β是平衡因子，β∈[0，1]；

通过反向传导过程实现模型参数训练，迭代更新直至损失值足够小时，认为模型收敛，停止训练。