[发明专利]一种基于多特征融合的深度学习人脸识别方法

摘要

本发明公开了一种基于多特征融合的深度学习人脸识别方法，首先对待测试的orl人脸库进行二维gabor变换（2D gabor）,提取出具有gabor特征的人脸库；由于图片的尺寸为：92×112，此处尺寸比较大，采用双线性插值的方法，将图像降为32×32的；然后将原始的orl人脸库与gabor特征的人脸库进行融合；最后用深度学习里面的栈式自编码的方式进行编码，并用softmax回归的方式求出权重参数，预测出识别准确率。本发明融合了多特征后，前提是该特征单独用此算法测试准确率不得低于80%，准确率会提高，而且算法会更加稳定，即随机初始化后，识别准确率基本保持不变。

主权项

1.一种基于多特征融合的深度学习人脸识别方法，其特征在于，包括以下步骤：步骤1：初始化权重衰减参数λ、权重稀疏惩罚参数β、权重参数θ、稀疏系数p、隐藏层L1、隐藏层L2和分类数k；步骤2：原始图像特征提取；所述图像特征提取，包括对原始的ORL人脸库进行Gabor特征提取和对原始的ORL人脸库进行LBP特征提取；所述对原始的ORL人脸库进行Gabor特征提取，是利用2D Gabor基本函数分别对原始的ORL人脸库中的人脸图像进行特征提取，并组成一个Gabor的人脸库；所述2D Gabor基本函数定义为：h(x*,y*,σx,σy)＝g(x′,y′)exp[j2π(u0x*+v0y*)]其中：u₀表示在x^*方向的频率，v₀表示在y^*方向的频率，w为正弦函数的方向角，和分别为高斯包络在x^*和y^*方向上的标准差，即高斯分布，这两个参数决定了高斯包络的扩展空间，假设则把以上的2D Gabor基本函数写成如下的形式：其中，为正弦函数的空间频率，σ为空间常数；所述对原始的ORL人脸库进行LBP特征提取，是利用LBP基本函数分别对原始的ORL人脸库中的人脸图像进行特征提取，并组成一个LBP的人脸库；LBP基本函数定义为：当某个局部二进制模式所对应的循环二进制从0到1或从1到0最多有两次跳变时这个二进制序列首尾相连，该局部二进制模式所对应的二进制就称为一个等价模式类；检验某种模式是否属于等价模式的方法是将其和其移动一位后的二进制模式按位相减的绝对值求和，定义如下：其中：gc:表示的是局部区域的中心点的灰度值；gp(p＝0,1,…,P):表示对应于中心点周围等距分布的P个点；若某种模式计算得到的U(GP)小于或等于2，则将其归于等价模式；步骤3：分别将图像像素矩阵进行双线性插值变成M×M大小，并利用高斯金字塔将图像像素降低N倍，变成大小；步骤4：将每个对应的2张人脸串接在一起，组成一个大的人脸矩阵，并将该矩阵变成一个L×Z的矩阵，其中步骤5：训练第一个隐藏层的稀疏编码；步骤6：训练第二个隐藏层的稀疏编码；步骤7：训练softmax分类器；步骤8：利用栈式自编码算法构建一个包含两个隐藏层和一个最终softmax分类器层的栈式自编码网络；步骤9：对反向传播算法进行微调；具体实现包括以下子步骤：步骤9.1：对L2,L3,…,Lnl层使用前向传播中的公式计算各层的激活值；其中nl表示的是网络层数；步骤9.2：对输出层n_l，令：其中：a^(nl)表示的是第nl层的激活值，即输出值；z^(nl)表示的是第nl层输入加权和，包括偏置单元；即选用的是sigmoid函数作为激活值；当使用softmax分类器时，softmax满足：其中I为输入数据对应的标签，P为条件概率向量；步骤9.3：对令其中：f′(z)表示的是激活值函数的导数；步骤9.4：计算所需要的偏导数；损失函数J(W,b；x,y)对权重W^(l)的偏导：损失函数J(W,b；x,y)对偏置项b^(l)的偏导：步骤9.5：更新权重参数；其中：α为学习因子；步骤10：检验栈式自编码是否成功；若是，则通过微调求出来的权重参数θ，对未知样本进行预测，并计算出准确率，流程结束；若否，则直接结束流程。