[发明专利]一种基于变速学习深度自编码网络的人脸识别方法

说明书

本发明提供一种基于变速学习深度自编码网络的人脸识别方法，属于深度神经网络的模式识别领域。该方法包括以下内容：图像包括训练图像和待识别图像，首先对训练图像进行预处理得到归一化数据；其次将预处理后的训练数据输入深度自编码网络，通过变速学习策略指导深度自编码网络的逐层预训练，然后在网络顶层上添加分类器，通过微调进一步优化网络获得识别模型，针对预处理后的待识别人脸图像进行识别，输出识别结果，并统计识别率。本发明的模型充分利用了深度自编码网络发现数据本质特征的能力，同时加快了特征学习速度和网络的收敛速度，得到较优的识别性能。

技术领域

本发明属于深度神经网络的模式识别领域，具体涉及一种变速学习深度自编码网络对人脸图像的识别模型。该模型充分利用了深度自编码网络发现数据本质特征的能力，同时加快了特征学习速度和网络的收敛速度，提高了人脸识别性能。

背景技术

人脸识别是当下计算机视觉领域热门研究方向，也是模式识别应用涉及的主要内容。深度自编码网络能够模拟人类神经元活动原理，自主地学习出人脸图像内在不同层次的特征，使人脸识别摆脱了使用传统手工提取特征复杂而低效的困扰。在识别模型中，良好的特征能准确地提取到有利于解决问题的信息，因此特征学习是模式识别领域的重点方向，并具有广泛的应用价值。然而，在深度自编码网络的特征学习中，目前是使用单一固定的学习率来控制学习进度。学习率取值过大时，网络可能过调甚至发散，学习率取过小时，网络收敛很慢，这导致网络学到的特征较差，模型识别结果不佳。而且，网络中不同的特征在训练过程中对学习率的要求是不同的。通常，学习率是由大量试凑实验后根据经验所得，这类方法耗时费力，且得到的学习率是面向整个网络而不是各个特征，因此效率不高。因此有必要提出一种新的技术方案来解决上述问题。

发明内容

本发明提出一种基于变速学习深度自编码网络的人脸识别方法。该模型首先进行人脸数据预处理；其次通过可变速学习策略指导逐层预训练。最后，在网络顶层添加分类器，进行微调优化得到基于深度自编码网络的识别模型，将待识别人脸图像输入模型进行识别。

本发明的技术方案：

一种基于变速学习的深度自编码网络模型的人脸识别方法，包括以下步骤：

1)将训练数据集输入识别模型进行数据预处理；

2)将预处理后的数据输入可变速学习的深度自编码网络进行逐层预训练；

2-1)使用小批量梯度下降算法训练深度自编码网络，首先训练第一层网络，初始化学习阶段数设为1；

2-2)对输入层数据进行编码得到隐含层数据，再将隐含层数据解码得到输出层数据，分别计算输出层数据和输入层数据间的重构误差信息和网络参数更新信息；

2-3)统计网络的重构误差信息，量化局部变速系数和总体变速系数；

2-4)统计网络的参数更新信息，量化相关变速系数；

2-5)将局部变速系数、总体变速系数和相关变速系数相乘，得到最终变速系数；

2-6)将初始学习率与步骤2-5)的最终变速系数相乘，获得下一阶段的学习率向量，每个隐含层特征节点有与之对应更新的学习率且其学习过程相互独立；下一阶段的网络参数将在各节点对应的学习率指导下完成更新；

2-7)当前学习阶段数自加1，判断当前阶段数是否小于预设学习阶段总数，满足则跳转至步骤2-2)，否则表示当前层训练完毕，跳转至步骤2-8)；

2-8)上一个自编码网络的隐含层输出作为下一个自编码网络的隐含层的输入，同样使用小批量梯度下降法，以重构误差最小化为目标进行阶段化训练；训练中参数更新所使用的学习率同样通过2-2)至步骤2-7)的变速学习策略进行更新；直至完成深度自编码网络各层预训练为止；

3)对各层已完成预训练的深度自编码网络进行全网微调；