[发明专利]一种基于加权L2抽取深度学习人脸识别方法

权利要求书

1.一种基于加权L2抽取深度学习人脸识别方法，其特征在于，包括以下步骤：

（1）对人脸训练图片进行预处理；

（2）选择T种卷积核对预处理后的人脸训练图片进行卷积，得到T个的特征图层，分别对每个特征图层提取特征矢量，得到特征矢量；T≥2；

（3）用加权L2抽取方法对步骤（2）提取的特征矢量进行降维；所述加权L2抽取方法具体如下：

将加权L2抽取方法描述为一个两层的网络，其中第一层为简单层，第二层为采样层，简单层的权值矩阵为W,采样层的权值矩阵为V，设x^(t)为第t个特征图层的特征矢量，t=1,2,3…T；则采样层的输出响应为

pi(x(t);W,V)=Σk=1mVik(Σj=1nWkjxj(t))2]]>

上式中，W∈R^m*n，V∈R^m*m,n代表第t个特征图层的特征矢量大小，m代表简单层单元的个数，W_kj表示矩阵W第k行，第j列的元素，V_ik表示矩阵V第i行，第k列的元素；i=1,2,3…m；

其中，矩阵W由以下目标函数给出：

minimizeWΣt=1TΣi=1mpi(x(t);W,V)]]>

目标函数的约束条件为：WW^T=I，其中W^T为W的转置矩阵；

矩阵V是一个固定矩阵；

（4）对降维后的特征向量进行归一化处理；

（5）以步骤（4）的输出作为输入，进行步骤（2）～（4）；

（6）以步骤（5）的输出作为输入，进行步骤（2）～（4）；

（7）将步骤（6）的输出送入支持向量机分类器进行训练，得到训练好的支持向量机分类器；

（8）利用步骤（7）训练好的支持向量机分类器对人脸进行识别。

2.根据权利要求1所述的基于加权L2抽取深度学习人脸识别方法，其特征在于，步骤（4）所述归一化处理具体为局部平均归一化处理。