[发明专利]人脸分类识别方法、装置及可读存储介质

说明书

本发明公开了一种人脸分类识别方法、装置及可读存储介质，所述方法包括：获取待分类人脸图像，所述待分类人脸图像的类别为K类，所述K为不小于1的整数；将所述待分类人脸图像进行Gabor滤波，获得对应的M幅人脸特征图像，所述M为大于1的整数；将获得的人脸特征图像通过卷积神经网络进行特征提取，获得对应的M*N*K个第一特征值，所述N为特征数量扩增的倍数，且所述N为大于M的整数；根据所述第一特征值对所述待分类人脸图像进行分类识别。本发明通过将待分类人脸图像通过Gabor滤波获得的人脸特征图像通过卷积神经网络进行特征提取，再对提取的更多数量的纹理特征进行分类识别，实现对应的待分类人脸图像的分类识别，提高人脸分类识别的准确性。

技术领域

本发明涉及人脸分类识别领域，尤其涉及一种人脸分类识别方法、装置及可读存储介质。

背景技术

Gabor滤波器是一种短时傅里叶变化，可以达到空域和频域的局部最优化。利用Gabor滤波器对人脸特征进行提取时，在空间域和频率域具有良好的方向选择性和频率选择性，可以有效的表达一幅人脸图像的信息。卷积神经网络(Convolutional NeuralNetworks,CNN)是多层感知机的变种，是神经网络的一种，是一种深度的监督学习下的机器学习模型，具有极强的适应性，善于挖掘数据局部特征，提取全局训练特征和分类。在本质上是输入到输出的映射，能够学习大量的输入与输出之间的映射关系，而不需要任何输入输出之间的精确的数学表达式。它包括卷积层，降采样层，全连接层，每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元。

利用Gabor滤波器滤波提取人脸特征再进行分类识别时，一幅图像提取的特征较少，且当人脸发生偏转，光照条件发生变化时，提取的纹理特征也会发生变化，导致进行人脸识别时出现错误。

上述信息仅用于辅助理解本发明的技术方案，并不代表承认上述信息是现有技术。

发明内容

本发明的主要目的在于提供一种人脸分类识别方法、装置及可读存储介质，旨在解决上述利用Gabor滤波器提取的人脸特征进行分类识别，易出现人脸识别错误的技术问题。

为实现上述目的，本发明提供一种人脸分类识别方法，所述人脸分类识别方法包括以下步骤：

获取待分类人脸图像，所述待分类人脸图像的类别为K类，所述K为不小于1的整数；

将所述待分类人脸图像进行Gabor滤波，获得对应的M幅人脸特征图像所述M为大于1的整数；

将获得的人脸特征图像通过卷积神经网络进行特征提取，获得对应的M*N*K个第一特征值，所述N为特征数量扩增的倍数，且所述N为大于M的整数；

根据所述第一特征值对所述待分类人脸图像进行分类识别。

优选地，所述将获得的人脸特征图像通过卷积神经网络进行特征提取，具体包括：

将所述人脸特征图像依次通过卷积神经网络的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层及第一全连接层，进行特征提取。

优选地，所述将获得的人脸特征图像通过卷积神经网络进行特征提取，获得对应的M*N*K个第一特征值之后，所述方法还包括：

将所述人脸特征图像中每幅人脸特征图像分别均分成A块,所述A为大于1的整数；

将均分获得的图像通过卷积神经网络进行特征提取，获得对应的A*M*N*K个第二特征值；

相应地，所述根据所述第一特征值对所述待分类人脸图像进行分类识别，具体包括：

根据所述第一特征值及所述第二特征值对所述待分类人脸图像进行分类识别。

优选地，所述将均分获得的图像通过卷积神经网络进行特征提取，具体包括：