[发明专利]一种基于分块深度神经网络的非限制环境人脸验证方法

摘要

本发明提供一种基于分块深度神经网络的非限制环境人脸验证方法，其包括步骤1）检测输入人脸图像的人脸区域，并将所述人脸区域进行归一化处理；2）将所述归一化处理后的人脸区域划分为若干个不重叠的矩形子图像，提取每一个子图像的特征、并进行降维和归一化处理；3）根据所提取的子图像特征，对每个子图像构建一个深度神经网络，子图像特征输入网络后转变为新特征；4）根据成对的人脸图像数据和所述的深度神经网络群，通过约束变换后新特征的异类分离性和同类紧致性优化深度神经网络结构参数；5）将成对的人脸图像输入所述优化的深度神经网络群，计算新特征的距离，验证人脸对。

主权项

一种基于分块深度神经网络的非限制环境人脸验证方法，其特征在于，包括步骤：1)检测输入人脸图像的人脸区域，并将所述人脸区域进行归一化处理；2)将所述归一化处理后的人脸区域划分为若干个不重叠的矩形子图像，提取每一个子图像的特征、并进行降维和归一化处理；3)根据所提取的子图像特征，对每个子图像构建一个深度神经网络，所有的深度神经网络形成深度神经网络群，子图像特征输入深度神经网络后转变为新特征；4)根据成对的人脸图像数据和所述的深度神经网络群，通过约束变换后新特征的异类分离性和同类紧致性优化深度神经网络结构参数；5)将成对的人脸图像输入优化的深度神经网络群，计算新特征的距离验证人脸对；其具体步骤为：A)首先，检测原始输入图片中人脸的位置，提取人脸区域图像，将人脸区域归一化为大小为H×W的矩形图像区域，H表示矩形图像区域的高度，W表示矩形图像区域的宽度；B)将归一化的人脸区域等分成若干大小为h×w的无重叠子图像，h表示子图像的高度，w表示子图像的宽度，在每个子图像上提取特征，并用主成分分析方法对特征降维，然后将特征归一化使其均值为0方差为1；C)将提取的子图像特征作为严格玻尔兹曼机RBM的输入，通过最大化训练集数据在RBM上的log似然函数来优化其结构参数，原子图像特征输入优化的RBM后得到的输出作为新的RBM的输入，以相同的方式优化新RBM参数，以这种方式，在子图像上有序地训练一系列的RBM；将这些RBM按照训练的顺序分层叠加形成深度神经网络，网络的初始结构参数为优化的RBM的结构参数，这样，对每个子图像预训练一个深度神经网络，同时原始的子图像特征经过深度神经网络变换后，得到新的特征表述；D)训练集由成对的图像对组成，包括同一人在不同环境下的人脸图像对和不同人的人脸图像对；所有原始图片输入预训练构造的深度神经网络群后得到新的特征表述；通过约束变换后同一人的图片对距离小而不同人的图片对距离大，构造使得训练集中所有图像对的log似然函数最小化的优化能量函数；利用梯度下降法求解，得到最优的深度神经网络结构参数；E)对于成对的测试图片，将原始特征输入深度神经网络得到变换后的特征，计算新特征的距离，和分类阈值比较，如果距离大于分类阈值，则测试图片对为不同的人脸图像，如果距离小于分类阈值，则测试图片对为同一人的人脸图像。