[发明专利]一种基于LGBPHS和CNN的大规模人脸识别方法

权利要求书

1.一种基于LGBPHS和CNN的大规模人脸识别方法，其特征在于，具体按照以下步骤进行：

步骤1，使用人眼检测器对所有训练图像和测试图像进行归一化处理；

步骤2，通过LGBPHS方法对经步骤1归一化处理后的训练图像和测试图像进行提取，得到K维人脸特征；

步骤3，通过卷积神经网络对经步骤1归一化处理后的训练图像和测试图像进行提取，得到128维人脸特征；

步骤4，将步骤2得到的K维人脸特征和步骤3得到的128维人脸特征进行融合，得到K+128维人脸特征；

步骤5，通过步骤4处理得到的训练图像，训练多类SVM；

步骤6，通过步骤5训练好的多类SVM识别步骤4得到的测试图像。

2.根据权利要求1所述的基于LGBPHS和CNN的大规模人脸识别方法，其特征在于：所述步骤2具体为：

步骤2.1，分别使用M个不同方向、不同尺度的Gabor滤波器与归一化处理后的训练图像或测试图像进行卷积，取卷积结果的幅值部分，得到Gabor幅值图谱；

步骤2.2，通过局部二值模式将每幅Gabor幅值图谱转换为局部Gabor二值模式图谱；

步骤2.3，将每个Gabor二值模式图谱分成N*N的非重叠的k区域，分别提取该k区域的直方图，直方图表示为：H_i＝[H_i1H_i2...H_ik]，其中H_i表示第i个Gabor二值模式图谱的直方图，H_ik表示第i个Gabor二值模式图谱的第k区域的直方图；

步骤2.4，融合所有Gabor二值模式图谱的直方图，得到最终直方图H＝[H₁H₂...H_M]；

步骤2.5，采用核主成分分析降低特征维数，得到K维人脸特征。

3.根据权利要求2所述的基于LGBPHS和CNN的大规模人脸识别方法，其特征在于：步骤3中的卷积神经网络为：使用一个开源的基于TensorFlow的Keras框架，参考AlexNet的网络结构，并加以简化搭建了一个包含w₁个卷积核均为m*m大小的二维卷积层、w₁个池化运算尺度为n*n大小的最大池化层以及1个输出维度为128的全连接层的卷积神经网络，其中在卷积层和全连接层中均采用纠正线性单元作为激活函数；在训练卷积神经网络的阶段，使用遍历的方法依次将各个子目录下的经归一化处理后的训练图像或测试图像转换成矩阵的形式读取到内存中，划分出训练集和测试集，并分别对训练集和测试集添加标签，再将处理好的数据按照集合标签传入卷积神经网络中，进行迭代训练，共计迭代B次。

4.根据权利要求3所述的基于LGBPHS和CNN的大规模人脸识别方法，其特征在于：进行训练卷积神经网络，使用随机梯度下降法作为优化器，设置学习率为ε，每次更新后的学习率衰减值为μ，动力为β。

5.根据权利要求4所述的基于LGBPHS和CNN的大规模人脸识别方法，其特征在于：所述步骤5具体如下：

步骤5.1，经步骤4融合到得到的训练图像和测试图像组成的数据集包含X个人，将X个人的人名作为人名字典，每个人名有其对应的索引号，设置人名索引号为类的索引号； 对于每个人名，使用其α₁(α₁＜1)的人脸图像作为训练集，剩余1-α₁的人脸图像作为测试集；

步骤5.2，对于每个人名，其训练集图像作为正例样本集，随机从剩余图像集中挑选一些人脸图像集作为反例样本集，同样也分配类的索引号，使用正例样本集和反例样本集训练多类SVM，得到训练好的多类SVM。