[发明专利]一种基于深度聚合网络的人脸识别方法

说明书

本发明涉及的是一种基于深层聚合网络的人脸识别方法。本发明包括如下步骤：第一步，读取人脸图像，将人脸图像划分为4个子区域；第二步，计算各子区域人脸的局部二值模式纹理特征向量，去除干扰信息；第三步，将4个子区域的局部二值模式纹理特征向量输入到4个不同的深层稀疏自动编码器中，实现子区域人脸的深层特征提取；第四步，将4个深度稀疏自动编码器网路的输出特征通过全连接的方式进行特征聚合，形成总的人脸特征向量用于分类识别。

技术领域

本发明涉及的是模式识别与机器学习领域，特别是涉及一种基于深度聚合网络的人脸识别方法。

背景技术

深度学习作为一种面向数据的机器学习算法，通过建立模拟人脑进行分析学习的神经网络实现数据的深层特征提取。 而计算机视觉和图像识别领域，获取的大量图像和视频数据往往不具有标签信息，因此以无监督学习方式从海量数据中抽取有效的深层特征具有重要的研究价值（BENGIO Y, COURVILLE A, and VINCENT P. Representationlearning: a review and new perspectives. IEEE Transactions on PatternAnalysis and Machine Intelligence, 2013, 35(8): 1798-1828.）。

稀疏自动编码器(Sparse Auto Encoder， SAE)是一种经典无监督深度学习网络，它首先将输入数据编码为一种新的表达，然后将特征解码重建为无标记数据，并利用输入数据和重建数据计算重构误差，通过反向传播算法训练网络，实现数据关键结构特征信息挖掘。由于SAE实现了特征的自动学习，避免了过多人工干预，所以在人脸识别、场景分类、行为理解等多个领域得到广泛应用（ZHANG F, DU B, ZHANG L. Saliency-guidedunsupervised feature learning for scene classification. IEEE Transactions onGeoscience and Remote Sensing, 2015, 53(4):2175-2184.）。

人脸识别作为一种非接触性技术，具有可视化、符合人的思维习惯等特点，在商业、安全等领域成功应用。但非约束条件下采集的人脸图像存在多种干扰因素（光照、姿态、表情等），直接将非理想人脸作为SAE的输入，深度网络容易学习到较多非人脸的特征表达，而忽略人脸的关键局部结构特征。另外，如果将人脸图像直接输入SAE网络，则需要将二维图像转换为向量形式，容易导致SAE网络无法学习到人脸的结构性特征，丢失部分识别分类所需的关键信息。因此，需要结合人脸图像的特点，以SAE网络为基础，设计新的人脸特征网络架构。

发明内容

本发明的目的在于提供一种基于深度聚合网络的人脸识别方法，该方法能够有效克服深度网络对人脸噪声敏感的缺点，避免将图像矩阵转换为向量时的人脸结构信息的损失，通过特征聚合网络架构能够学习到层析结构清晰，关键细节突出的人脸特征，改善了人脸识别效果。本发明的目的是这样实现的：

本发明包括下列步骤：

（1）读入原始人脸图像；

（2）对原始人脸图像进行尺寸归一化处理；

（3）将归一化后的人脸图像采用了2x2的分块思路，划分为4个子区域；

（4）采用深度聚合网络实现4个人脸子区域的特征提取与融合，实现分类识别。

人脸特征的提取采用了深度聚合网络。

首先，采用深度聚合网络特征提取前，先对人脸子区域图像进行预处理。采用圆环形局部二值模式算子分别对4个人脸子区域进行预处理，计算得到各子区域人脸的纹理特征向量。