[发明专利]稀疏表示域中基于深度特征学习的人脸识别方法及系统

权利要求书

1.一种稀疏表示域中基于深度特征学习的人脸识别方法，其特征在于，包括以下步骤：

获取人脸图像；

采用二维小波分解、局部二值算子与梯度算子对所述人脸图像进行处理，获得所述人脸图像的稀疏表示；

将所述稀疏表示输入人脸识别模型进行人脸识别，获得人脸识别结果；

所述人脸识别模型为MobileFaceNet模型，所述MobileFaceNet模型在训练过程中，采用基于Angular margin的目标函数进行监督；

所述采用二维小波分解、局部二值算子与梯度算子对所述人脸图像进行处理，获得所述人脸图像的稀疏表示，包括：

对所述人脸图像进行二维小波分解，获得第一图像；

采用局部二值算子与梯度算子对所述人脸图像进行处理，获得第二图像；

将所述第一图像和所述第二图像进行融合，获得融合图像作为所述人脸图像的稀疏表示；

所述第一图像为四通道图像，所述对所述人脸图像进行二维小波分解，获得第一图像，包括：

确定二维小波变换的阶数以及所使用的频率分量后，对所述人脸图像进行二维小波分解，获得四通道图像；

所述第二图像为二通道图像，所述采用局部二值算子与梯度算子对所述人脸图像进行处理，获得第二图像，包括：

确定局部二值模式以及梯度算子的计算区域大小后，采用局部二值算子与梯度算子对所述人脸图像进行处理，获得二通道图像；

所述将所述第一图像和所述第二图像进行融合，获得融合图像作为所述人脸图像的稀疏表示，包括：

将所述第一图像的尺寸和所述第二图像的尺寸调整为同一尺寸；

将尺寸调整后的所述第一图像和所述第二图像进行融合拼接，获得融合图像作为所述人脸图像的稀疏表示。

2.根据权利要求1所述的一种稀疏表示域中基于深度特征学习的人脸识别方法，其特征在于，所述MobileFaceNet模型包括15个Bottleneck单元块、1个7*7平均池化层和1个全连接层。

3.根据权利要求2所述的一种稀疏表示域中基于深度特征学习的人脸识别方法，其特征在于，所述Bottleneck单元块的组成为：一层的点卷积层，一层深度卷积层，最后再经一层点卷积层。

4.根据权利要求3所述的一种稀疏表示域中基于深度特征学习的人脸识别方法，其特征在于，所述点卷积层包括尺寸为1*1的卷积核、批归一化操作和PReLU激活函数，所述深度卷积层包括尺寸为3*3的卷积核，且所述尺寸为3*3的卷积核的通道数与所述稀疏表示的通道数匹配。

5.一种稀疏表示域中基于深度特征学习的人脸识别系统，其特征在于，包括：

图像输入模块，用于获取人脸图像；

图像处理模块，用于采用二维小波分解、局部二值算子与梯度算子对所述人脸图像进行处理，获得所述人脸图像的稀疏表示；

人脸识别模块，用于将所述稀疏表示输入人脸识别模型进行人脸识别，获得人脸识别结果；

所述人脸识别模型为MobileFaceNet模型，所述MobileFaceNet模型在训练过程中，采用基于Angular margin的目标函数进行监督；

所述采用二维小波分解、局部二值算子与梯度算子对所述人脸图像进行处理，获得所述人脸图像的稀疏表示，包括：

对所述人脸图像进行二维小波分解，获得第一图像；

采用局部二值算子与梯度算子对所述人脸图像进行处理，获得第二图像；

将所述第一图像和所述第二图像进行融合，获得融合图像作为所述人脸图像的稀疏表示；

所述第一图像为四通道图像，所述对所述人脸图像进行二维小波分解，获得第一图像，包括：

确定二维小波变换的阶数以及所使用的频率分量后，对所述人脸图像进行二维小波分解，获得四通道图像；

所述第二图像为二通道图像，所述采用局部二值算子与梯度算子对所述人脸图像进行处理，获得第二图像，包括：

确定局部二值模式以及梯度算子的计算区域大小后，采用局部二值算子与梯度算子对所述人脸图像进行处理，获得二通道图像；

所述将所述第一图像和所述第二图像进行融合，获得融合图像作为所述人脸图像的稀疏表示，包括：

将所述第一图像的尺寸和所述第二图像的尺寸调整为同一尺寸；

将尺寸调整后的所述第一图像和所述第二图像进行融合拼接，获得融合图像作为所述人脸图像的稀疏表示。