[发明专利]一种基于多智能体协作的复杂光照下人脸图像的分类方法

权利要求书

1.一种基于多智能体协作的复杂光照下人脸图像的分类方法，包括以下步骤：

(1)获取大量复杂光照下的人脸图像，组成人脸图像集，提取所有人脸图像的主成分特征、纹理特征以及梯度特征；

(2)分别对主成分特征、纹理特征以及梯度特征进行聚类，获得多个聚类集合；

(3)针对每个聚类集合建立一个人脸特征提取网络，根据人脸特征提取网络建立人脸分类网络，并对人脸分类网络进行训练获得人脸分类模型，具体包括：

针对每个聚类集合建立一个VGG16作为人脸特征提取网络，

人脸分类网络包含与主成分特征、纹理特征、以及梯度特征对应的三个人脸特征提取网络，还包括对三个人脸特征提取网络的输出特征进行融合的融合模块，以及对融合模块的输出进行分类判断的softmax模块；

训练时，第i个人脸图像分别输入到人脸图像的主成分特征对应的人脸特征提取网络纹理特征对应的人脸特征提取网络以及梯度特征对应的人脸特征提取网络中，经计算得到三个前向传播的输出Fc^PCA,Fc^WL,Fc^TD，这三个输出Fc^PCA,Fc^WL,Fc^TD融合后得到最终的前向传播：

Fc＝Fc^PCA+Fc^WL+Fc^TD

然后，根据最终的前向传播Fc对人脸特征提取网络人脸特征提取网络人脸特征提取网络进行反向传播，以更新人脸特征提取网络人脸特征提取网络人脸特征提取网络的参数；

(4)提取待检测人脸图像的主成分特征、纹理特征以及梯度特征，并将主成分特征、纹理特征以及梯度特征划分到对应的三个聚类集合中；

(5)将待检测人脸图像分别输入到与三个聚类集合对应的人脸分类模型中，经计算获得待检测人脸图像的分类结果。

2.如权利要求1所述的基于多智能体协作的复杂光照下人脸图像的分类方法，其特征在于，采用主成分分析方法提取人脸图像的主成分特征，具体为：

首先，对于一组数量为N，尺寸为w×h的人脸图像按照列相连成一个图像矩阵X，X_i为第i幅图像的列向量，则图像矩阵X的协方差矩阵Y：

其中，μ为N个人脸图像的平均图像向量：

然后，求解协方差矩阵Y的特征值与对应的特征向量，提取L个特征向量构成投影矩阵Eig＝(u₁,u₂,...，u_L)，最终图像矩阵X经过投影矩阵降维后的向量为：

Feature_i＝Eig^T·X_i

其中，Feature_i就是第i幅人脸图像的PCA特征向量。

3.如权利要求1所述的基于多智能体协作的复杂光照下人脸图像的分类方法，其特征在于，采用以下方法获得人脸图像的纹理特征：

首先，将人脸图像转化为灰度图像Img^A，并采用算子检测灰度图像Img^A中的水平边，得到只显示水平边的灰度图像再采用算子检测灰度图像Img^A中的垂直边，得到只显示垂直边的灰度图像

然后，根据灰度图像和灰度图像计算每个像素的纹理值G(x,y)：

G(x,y)＝G_X(x,y)+G_Y(x,y)

其中，G_X(x,y)表示在灰度图像中(x,y)位置像素对应的纹理值，G_Y(x,y)表示在灰度图像中(x,y)位置像素对应的纹理值；

接下来，在得到灰度图像Img^A每个像素点的纹理值之后，将灰度图像Img^A划分为k×k个子区域，为每个子区域编号，根据每个子区域建立直方图统计不同纹理的数量，并对直方图进行归一化处理，每个直方图表示一个向量，向量上每个位置的值为该位置对应的纹理值在直方图中的数值；

最后，k×k个子区域对应的直方图的向量按照子区域编号连接，获得的最终向量即为灰度图像Img^A的纹理特征。