[发明专利]一种基于监督学习深度自编码器的人脸重构方法

摘要

一种基于监督学习深度自编码器的人脸重构方法，针对存在信息缺失或部分遮挡的人脸图像，首先利用监督学习的优势和自编码器高效的特征学习能力进行人脸图像特征学习，然后通过提取学习完善的特征权值构建一个具有深度结构的人脸重构网络，最后通过构建的基于深度自编码的人脸重构网络来重构出完整的人脸信息。本发明充分结合了监督学习的优势和深度自编码器的特征学习能力，利用先验知识对存在信息缺失或部分遮挡的人脸图像进行特征提取，同时采用编解码的方式对提取特征进行重构，有效地修复了缺失或被遮挡的人脸信息，并能够取得比传统方法更优秀的效果。

主权项

1.一种基于监督学习深度自编码器的人脸重构方法，其特征是先利用多级监督学习浅层自编码器通过多对一的学习策略对人脸特征进行学习，提取在多级监督学习自编码器中学习完毕的特征编解码表达，然后按照先编码后解码的顺序构建一个基于深度自编码器的人脸重构网络，对存在缺损或遮挡的人脸图像进行人脸重构，最终获得补全或去除遮挡的人脸图像结果，包括以下步骤：1)训练第一级监督学习浅层自编码器，将存在缺损或遮挡的人脸灰度图像作为输入，利用监督学习浅层自编码器学习人脸图像的特征表达，特征表达包括特征编码表达和特征解码表达：其中，W为特征表达，α是调节特征表达变化的参数，表示特征权值更新量，b为特征偏置，为一个常数；2)将第一级监督学习浅层自编码器输出的人脸输出结果作为输入，在浅层特征重构的基础上，对获得的人脸输出结果用第二级监督学习浅层自编码器进行训练，进一步对人脸的特征、特征表达进行学习和优化；3)将第一级监督学习浅层自编码器输出的人脸特征表达作为第三级监督学习浅层自编码器的输入，将第二级监督学习浅层自编码器优化输出的人脸特征作为监督，利用第三级监督学习浅层自编码器对上述步骤1)中学习的人脸特征表达进行抽象化的描述，学习能够描述人脸抽象特征的特征表达；4)将三级监督学习浅层自编码器中学习的特征表达进行提取，构建基于监督学习的深度人脸重构网络，输入存在缺损或遮挡的人脸图像的灰度图像，通过构建的深度人脸重构网络，获得补全或者去除遮挡的人脸图像，具体为：4.1)综合三级监督学习浅层自编码器，抽取每级学习获得的人脸特征表达，按照先编码后解码的顺序构建一个具有深度结构的自编码前馈神经网络：其中，f_eⁿ(x)表示第n层特征编码，表示第n层特征解码；表示第k级自编码器的特征编码表达，表示第k级自编码器的特征解码表达，为第级自编码器的特征编码偏置和特征解码偏置，为常数；4.2)输入存在缺失或遮挡的人脸图片，通过在步骤4.1)建立的深度自编码的前馈神经网络中先编码后解码的迭代，最终获得补全或者去除遮挡的人脸图像。