[发明专利]一种三通道特征融合人脸识别方法

说明书

本发明公开一种三通道特征融合人脸识别方法，具体步骤如下：步骤1，采集不同的人脸图像组成数据集；对数据集做预处理得到预处理图像集；步骤2，建立基于三通道特征融合的BP神经网络模型，包括粗采样通道20、LBP通道19、细采样通道18；步骤3，用预处理图像集对基于三通道特征融合的BP神经网络模型进行训练；步骤4，输入待识别的图像，利用训练好的基于三通道特征融合的BP神经网络模型进行特征相似度对比，输出最高相似度及其图像；步骤5，设定阈值，根据步骤4中输出的相似度与阈值作比较，判别与待识别的图像中是否为同一个人。本发明解决了传统人脸识别方法无法对人脸全方位特征进行提取的问题，提高了人脸的识别准确率。

技术领域

本发明属于人脸识别技术领域，一种三通道特征融合人脸识别方法。

背景技术

随着社会高速发展，人们日常生活中的方方面面都对自动身份识别装置产生了巨大的需求。当前的身份识别技术主要包括：密码认证、指纹识别、人脸识别、虹膜识别、步态识别等。由于人脸识别具有非接触性、安全性高、方便快捷等优点，逐渐被大众所接受。

尤其是近几年，计算机硬件不断更新，运算速度得到了极大的改善。进而使得几经波折的卷积神经网络再一次受到人们的关注，越来越多的人开始投入到对人脸识别算法的研究和改进当中。传统的人脸识别算法都是在刚性条件下对识别准确率进行测试，且能够取得良好的识别效果。但在非刚性条件下，由于光照和人脸姿态变化、遮挡以及算法本身缺陷的影响，识别准确率大大降低。近些年出现的多任务卷积神经网络能够准确地检测到人脸的位置，并对关键点做标注，为人脸特征提取做了充分的准备；LBP算子能够有效地减少光照变化对输入人脸图像的影响。但是提高人脸识别准确率关键如何能够有效地对人脸特征进行提取。上述方法仅仅是对输入图像的预处理，并未改变网络的结构，不能有效地提高识别准确率；双通道模型改变了神经网络模型的结构。改进后的模型虽然能够有效地对输入的人脸表情进行分类，但分类准确率受输入图像光照变化、遮挡等非刚性因素影响较大；传统的LBP算子与深度信念网络(DBN)结合特征提取模块，将LBP处理过的图像输入到DBN中，在不同数据集上取得了较高的识别准确率。但是经过LBP算子处理后的图像丢失了原图中大部分全局特征信息，不能有效地体现输入图像的整体特征。

发明内容

本发明的目的是提供一种三通道特征融合人脸识别方法，解决了现有技术中存在的传统人脸识别方法无法对人脸全方位特征进行提取的问题，提高了人脸的识别准确率。

本发明所采用的技术方案是，

一种三通道特征融合人脸识别方法，具体步骤如下：

步骤1，采集不同的人脸图像组成数据集；对数据集中的每张人脸图像做预处理操作得到预处理图像，预处理图像为剔除无关背景信息、进行人脸矫正后的人脸图像；将所有预处理图像组成预处理图像集；

步骤2，建立基于三通道特征融合的BP神经网络模型，基于三通道特征融合的BP神经网络模型包括并行的三个特征提取通道，三个特征提取通道分别为粗采样通道、LBP通道、细采样通道；

步骤3，利用预处理图像集对基于三通道特征融合的BP神经网络模型进行训练；

步骤4，输入待识别的图像，利用训练好的基于三通道特征融合的BP神经网络模型对待识别的图像和训练集中的图像进行特征相似度对比，输出相似度最高的图像和该图像的相似度；

步骤5，设定阈值，根据步骤4中输出的相似度与阈值作比较，进而判别步骤4输出图像与待识别的图像中是否为同一个人，输出结果。

本发明的特点还在于，

步骤1中预处理操作的具体步骤为：

步骤1.1，输入人脸图像；

步骤1.2，对人脸图像进行人脸裁剪，除去背景等冗余信息，得到无背景的人脸图像；