[发明专利]基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法

说明书

本发明公开了一种基于GB(2D)²PCANet深度卷积模型的人脸身份识别方法。模型训练方法包括以下步骤：将预处理人脸样本依次送入第一个特征提取层，从获取的Gabor特征图像中扫描多个子块并去均值，利用(2D)²PCA提取最优投影轴，与训练集原始样本卷积，获得第一层特征图；将第一层特征图送入第二个特征提取层，重复前述步骤，获得第二层特征图；二值化输出特征图，计算并拼接局部区域直方图作为最终特征；将最终特征送入线性SVM分类器，获得优化的人脸身份识别模型。本发明能够自动学习有效的特征表达，不仅具有良好的局部性，而且对光照、表情和噪音等具有良好的鲁棒性，提高了人脸身份的识别性能。

技术领域：

本发明属于机器视觉领域，特别涉及一种基于GB(2D)²PCANet深度卷积模型的人脸身份识别方法。

背景技术：

人脸识别技术是利用计算机分析人脸视频或图像，从中提取人脸特征，并通过这些特征识别身份的一种技术。

目前人脸身份识别技术发展较快，取得了大量的研究成果。常见的人脸身份识别算法可分为几类：基于几何特征的人脸身份识别、基于子空间分析的人脸身份识别、基于弹性匹配的人脸身份识别、基于隐马尔可夫模型的人脸身份识别、基于神经网络的人脸身份识别和基于3D的人脸身份识别。如Takatsugu等[1] 使用一种基于动态链接结构的弹性匹配法来定位人脸,并根据人脸数据库进行匹配识别。Lin等[2]采用正反例样本进行强化学习，从而得到较为理想的概率估计结果，并采用模块化的网络结构加快网络的学习速度。虽然人脸身份识别研究已积累了宝贵的丰富经验,但目前的识别技术仍然不能对诸如人脸自身及所处环境的复杂性等情况进行有效的处理，如表情、姿态、光照强度等条件的变化以及人脸上的遮挡物，都会使人脸身份识别方法的鲁棒性受到很大的影响。

本发明针对上述人脸身份识别存在的问题，提出了一种基于GB(2D)²PCANet 深度卷积模型的人脸身份识别方法，不仅吸取了深度模型和Gabor滤波的优点，可以提取数据中更加抽象的特征，对光照、表情、遮挡等因素具有鲁棒性，而且克服了卷积神经网络耗时及标签数目需求量大的缺点。

发明内容：

本发明的主要目的是提出一种基于GB(2D)²PCANet深度卷积模型的人脸身份识别方法，在极大减少光照、表情、遮挡等因素干扰的同时，能够高效地进行人脸识别。

为了实现上述目的，本发明提供如下技术方案，包含训练阶段和测试阶段。

基于GB(2D)²PCANet深度卷积模型的人脸身份识别方法训练阶段技术方案如下：

步骤一、对已知人脸库中的训练集人脸图像进行预处理，包括转化成灰度图和调整图像尺寸到相同大小p×q；

步骤二、将训练样本依次送入GB(2D)²PCANet模型的第一个特征提取层，获取第一个特征提取层的Gabor特征图像；具体地，令表示人脸图像训练集，其中N为训练集中的样本数，表示一张人脸样本图像；将每个样本 A_i依次送入第一个特征提取层，首先进行5个尺度和8个方向结合的2D Gabor 滤波，通过降采样，得到最终的Gabor特征图像[3]，记为其中s是特征图像降采样后的像素个数，t是2D Gabor滤波器的个数，t＝ 40；

步骤三、对每个Gabor特征图像B_i，扫描提取m×n个l₁×l₂大小的图像块，对图像块进行去均值操作，获得其中表示 B_i中第j个去均值图像块；所有Gabor特征图像经过相同的处理之后，可得到样本矩阵为了方便描述，用连续的序号表示I中所有的图像块并重记为