[发明专利]基于BP神经网络的动量人脸检测方法

说明书

技术领域

本发明涉及图像数据处理领域，尤其涉及一种基于BP神经网络的动量 人脸检测方法。

背景技术

在计算机视觉中人脸检测是一个值得研究的课题。在过去的许多年里， 科研人员在人脸检测的领域投放了大量的经历。人脸检测的本质是将图像 中存在的人脸用矩形标标注出来。随着人脸检测应用的增加，人脸检测逐 渐发展成为一个独立的研究课题，受到研究人员的关注。

通常，人脸检测可分为两类：一类是在静态图像(灰度或彩色图像) 上的人脸检测，根据图像上人脸的个数，可以在图像上检测到单个或多个 人脸。另一类是在动态图像上进行人脸检测，也被称为目标跟。本文的研 究是基于彩色图像中的人脸检测。人脸检测的过程实际上是对人脸模式特 征的综合判断。输入的图像可能包含大量的模式特征，这些特征通过颜色 属性可以分为两类：一类是皮肤颜色特征，另一类是灰度特征。

将神经网络应用于人脸检测早在1994年就已经出现，之后出现了使用 卷积神经网络来训练分类器、视网膜连接神经网络来改善正面人脸检测、 检测在图像中存在偏置角度的人脸、以及最新的卷积神经网络级联的方法 用于人脸检测，这类神经网络在人脸检测识别中，都或多或少出现了神经 网络算法收敛时间过长的问题，并且在网络训练过程中出现一定的震荡趋 势，使算法陷入局部最小值。最终导致神经网络算法的不稳定性。

在人脸识别方法中，将Gabor变换运用到神经网络中已经现有技术涉 及的，Gabor变换是一个窗口傅立叶变换。Gabor函数可以提取在频域内不 同尺度和不同方向上的相关特征。Gabor核可以在特定的频率提取图像的特 征。

类似中国专利号：CN201210057616的基于局部特征Gabor小波的神经 网络；上海大学申请的“基于Gabor小波变换和局部二值模式优化的人脸识 别方法”专利，公开号为CN102024141A。该专利采用一种基于Gabor小波 变换和局部二值模式优融合在一起；清华大学申请的“人脸部件特征和 Gabor人脸特征融合的人脸识别方法及其装置”专利，公开号为 CN101276421，将Gabor小波变换与人脸部件特征融合起来。上述现有技 术，不仅数据计算量比较大，收敛时间也比较长。

发明内容

本发明要解决的技术问题是：设计一种解决神经网络在人脸检测中收 敛时间比较长，且在训练中容易产生震荡的问题。

为了解决上述技术问题，本发明提出一种基于BP神经网络的动量人脸 检测方法。

步骤1：提取训练集的图像Gabor特征；

步骤2：将其输入到动量因子反向传播神经网络中进行训练；

步骤3：使用训练好的系统去检测输入图像中是否存在人脸，如果存在 则用矩形标出。

作为一种优选：步骤1中的Gabor特征提取的方法是选择了五个尺度和 八个方向上的Gabor核用来提取图像中的Gabor特征，将输入图像用5*8 个Gabor核进行卷积，生成不同频率下的40个不同尺度的图像特征。

本发明有益效果：

1、为了提高传统反向传播算法的训练效果，将动量因子加到该算法 中，有效地减缓神经网络在训练中的震荡趋势，可以避免算法陷入局部最 小值。此外，增加的动量因子可以自适应地调整反向传播神经网络每层的 权重值。大量的实验结果表明，与经典的或最先进的人脸检测模型相比， 我们的实验方案是有效的。

2、对于图像的Gabor特征提取，采用5*8个Gabor核进行卷积，能够 对复杂的图像，特别是具有色彩纹理，或是色彩差异度较低，特征值不明 显的图像进行有效的提取，有效提升后续的BP神经网络训练的快速性。

附图说明

附图1：本发明方法BP反向传播算法的过程。

附图2：本发明方法检测单人脸图的效果图。

附图3：本发明方法检测多人脸图的效果图。

附图4：本发明方法和BP平均消耗时间的比较图。

附图5：40个Gabor滤波器的示意图。

附图6：利用本发明方法中的40个Gabor滤波器对一副人像的图像特 征的提取效果演示图；

具体实施方式

本发明首先选择了五个尺度和八个方向上的Gabor核用来提取输入图 像中的Gabor特征，将输入图像与5*8个Gabor核进行卷积，如图5所示， 利用这些Gabor核生成不同频率下的40个不同尺度的图像特征，也可以称 为40个Gabor滤波器。图中行代表八个不同的方向，列代表五个不同的尺 度。具体过程如下：