[发明专利]基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法

摘要

本发明公开了基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法，其特征是，包括如下步骤：1）数据预处理；2）轮廓约束生成网络；3）对称约束对抗网络；4）训练平衡网络；5）重建与识别。这种方法能有效解决人脸图像的姿态角度偏转影响、提取到人脸在多姿态下更具鲁棒性的特征，特别在大角度姿态重建下将全局质量和局部细节相互约束，保持了正脸的轮廓特征信息，能满足实际应用中对多姿态人脸识别的高精度需求。

主权项

1.基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法，其特征是，包括如下步骤：1)数据预处理：为了建立更好的人脸正脸模板特征，将多姿态人脸数据库分为训练图像和测试图像，并对训练图像和测试图像进行归一化处理；2)轮廓约束生成网络：首先将正常光照下任意姿态的图像通过卷积池化处理，输出的正脸图像作为生成网络的输出，设生成网络中输入的人脸图像为w×h正常光照下任意姿态为x⁰，生成网络是由两个卷积层、两个池化层的卷积神经网络构成，W_i¹为第一层卷积产生的权重矩阵映射特征图，为第二层卷积产生的特征图，V¹、V²分别是第一二层的矩阵池化处理，所以图像x⁰像通过两层卷积网络得到的特征图为选用RELU函数，则：其中，σ表示激活函数，在生成网络重构完的图像中，加入正脸轮廓直方图来约束全局特征的质量，用正脸图像f(x,y)的任意像素(i,j)来表示图像的中心位置，分别计算给定窗口的中心像素在m和n方向上的梯度，通过θ得到图像坐标的边缘并与卷积网络输出的图像卷积，得到重构正脸的计算y_i：生成网络中是以卷积网络为基础的重构正脸，采用梯度下降对网络参数不断更新反向传播，即更新的参数Δ表示中间变量，其中为卷积网络的反向传播公式，包含了反向传播误差项eⁱ和特征变量x^i‑1，其中特征变量为前一项的特征，由此可以得到反向传播误差eⁱ在各层反向误差项；3)对称约束对抗网络：对抗网络为一个类似对比器的判别网络，通过步骤2)生成网络输出的重构图像的与作为期望输出的真实人脸正脸数据进行真伪判别代价函数为了使网络逐渐达到对应样本的期望输出，此部分根据判别器重构样本像素级和真实图像像素级的判别损失引入L_r融合像素损失函数：并根据人脸对称这一特点，对所有输入的图像的宽度遮盖半边，将右边坐标逐步遮挡，通过重构样本图像相减的绝对值逐步描述特征点，引入针对姿态重构过程中面部纠正的对称损失Lsl解决可见部分与遮盖部分重构的对称性：所以最终的损失函数是加权公式(3)、公式(4)：L_syn＝L_r+λ₁L_sl+λ₂L_cee，其中，L_cee是交叉熵损失函数，用来限制隐藏的激活函数，λ₁和λ₂是平衡惩罚项的系数，定义了最终损失函数后，采用后向传播算法交替更新生成网络和对抗网络权重和偏差权衡生成网络和对抗网络的参数4)训练平衡网络：经过上述3个步骤处理后，网络单独交替迭代更新参数，首先的顺序是固定生成网络G、训练判别网络D，使判别的准确率最大化，其次的顺序是固定判别网络D、训练生成网络G，使判别的准确率最小化，直到判别出与真实数据几乎一样的图像，即无论对于真假样本，对抗网络都将输出的二维矩阵值转化为一个概率值p；5)重建与识别：通过平衡生成式对抗网络，将带有不同姿态角度的测试图像输入到测试好的网络中，得到生成器的输出图像为重建后的图像，将重建好的正脸图像和网络最高隐含层特征分别使用线性判别分析法，即LDA法降维来提取具有判别性的人脸特征，并用最近邻分类器完成人脸识别。