[发明专利]基于独立分量分析网络的人脸识别方法

说明书

本发明涉及一种基于独立分量分析网络的人脸识别方法，所述方法包括以下步骤：步骤1：对输入的人脸图像进行裁剪、对齐、归一化预处理；步骤2：采用一组已经训练好的ICA滤波得到一组映射图像；步骤3：对每张映射图像进行非线性与池化处理以获取更高效的特征映射图像；步骤4：对每张映射图像进行分块的LBP编码，然后全部串起来得到特征表达；步骤5：对特征表达进行WPCA降维，最后采用余弦相似测量对两张人脸图像进行识别验证。本发明采用训练好的ICA滤波应用到CNN中构成单身网络，基于ICA滤波不同的感知区域得到多尺度信息。在人脸识别中能够保证较高的识别率，同时有效地降低计算量，便于推广应用。

技术领域

本发明属于计算机视觉领域，尤其涉及一种基于独立分量分析网络的人脸识别方法。

背景技术

人脸识别是计算机视觉领域中非常重要的部分，在信息安全、视频监督等方面扮演着重要的角色。人脸识别系统主要包括三部分：(1)人脸检测；(2)人脸特征表达；(3)人脸识别(特征分类)。其中，好的人脸特征表达在人脸识别有着非常重要的作用。

人脸特征表达主要经历三个时期：(1)全局特征表达：主要代表方法有Eigenfaces和Fisherfaces方法，前述方法都是采用整张人脸的特征作为输入；(2)局部特征表达：主要方法有LBP(Local Binary Patterns)，SIFT(Scale Invariant Feature Transform)，Gabor，HOG(Histograms of Oriented Gradients)等，该方法把图片分成不同的块，对每个局部块进行特征编码，然后把得到局部特征全部串起来得到最终的人脸特征。相比全局特征表达，局部特征表达能够获取人脸图片更多的判别信息，因此产生了LTP，DFD，DCP等变体；(3)深度特征表达：DeepFace，DeepID，FaceNet等采用CNN方法应用于人脸图像得到深度人脸特征在人脸识别领域取得了突破性进展。然而CNN作为监督学习方法中一种，需要在大量标定类型信息的训练样本中学习，尽管具有很多公开的人脸数据库，但训练需要大量时间，并且需要更高的硬件配置，同时超参数的设定大部分靠人工经验。

发明内容

针对现有技术之不足，本发明提供了一种基于独立分量分析网络(ICANet)的人脸识别方法，该方法包括以下步骤：

步骤1：对输入的人脸图像进行裁剪、对齐、归一化预处理；

步骤2：采用一组已经训练好的ICA滤波得到一组映射图像；

步骤3：对每张映射图像进行非线性与池化处理以获取更高效的特征映射图像；

步骤4：对每张映射图像进行分块的LBP编码，然后全部串起来得到特征表达；

步骤5：对特征表达进行WPCA降维，最后采用余弦相似测量对两张人脸图像进行识别验证。

根据一个优选实施方式，在步骤2中，采用标准的独立分量分析方法训练ICA滤波，其计算公式如下：

s＝Wx＝UVx＝Uz (1)

其中，x为采样样本，W为滤波矩阵，z为预处理后的采样样本矩阵，U是一个方阵(通过ICA估计得到)，V为白化矩阵，n为选择的特征向量的个数。

根据一个优选实施方式，在步骤3中，对特征映射图像进行非线性与池化处理采用ReLU运算，其公式如下：

y＝max(x,0) (3)

其中x为输入的像素点，y为输出像素点；采用平均池化的方法对该算法进行降维处理，其公式如下：

其中，s代表池化的尺寸，j,k为图像的像素点坐标，m,n为池化的采样间隔。