[发明专利]一种基于HOG和深度残差网络的人脸识别方法

说明书

本发明公开了一种HOG和深度残差网络的人脸识别方法，包括：S1，对人脸图像进行预处理；S2，计算图像的方向梯度直方图，通过支持向量机实现人脸检测；S3，搭建基于深度残差模块的提取特征网络；S4，将待检测人脸与已存储的人脸库的特征编码进行一对多比对，将检测的人脸特征向量与已存储的人脸库特征向量相减，获得对比矩阵，计算对比矩阵的1‑范数获得两幅图像的欧式距离，判断两幅图像的相似度，将人脸库中的相似人脸进行存储，再将相似人脸特征编码和待识别人脸特征编码进行二次比对，选择欧氏距离最小者作为识别结果。该方法检测精度和效率较高，具有良好识别效果。

技术领域

本发明涉及数字图像处理领域，特别是涉及一种基于HOG+深度残差网络的人脸识别方法。

背景技术

随着人工智能和计算机视觉的发展，如何使计算设备获得感知图像内容的能力已成为当前研究的热点问题，其中对于人脸图像的感知问题，因具有广阔的应用前景与应用价值而被广泛关注。人脸识别技术是当前在计算机视觉方面的一个重要研究领域，由于人脸识别在鉴别身份等方面具有非侵扰性，采集成本低以及人机交互性强的优点，所以该技术在金融、信息、公用安全等领域得到了广泛应用，并且随着人们实际生活需要的增加，该技术也将普遍应用于更多领域，因此研究人脸识别技术具有十分重要的现实意义。

人脸识别技术主要分为两个步骤：人脸检测与人脸识别。人脸检测技术主要是使计算机获得对于图像识别的能力并检测出图像中的人脸部分，人脸检测技术作为人脸识别的前置，检测结果的好坏直接影响人脸识别的最终结果。人脸检测主要是基于目标检测算法对于整幅图像中的人脸进行检测并提取人脸图像，常用的传统方法有基于人工设计的哈尔特征(Haar-like features)人脸检测算法，通过设计对于眼睛、鼻子、嘴巴等部位的特征进行人脸部分的检测，该算法主要针对于单一背景环境下的检测。随着现代技术的发展，图像的背景越来越复杂，基于哈尔特征在复杂场景中检测效果并不稳定。常用的人脸检测方法还有基于人脸肤色特征进行检测，通过统计人脸肤色的常见范围，将皮肤与背景实现区分，由于该方法是针对一定范围的肤色进行检测，所以对于不同人种的检测效果非常不好。因此研究一种稳定的检测人脸方案具有十分重要的意义。

对于人脸识别技术研究方案，包括有：依据人脸器官的几何特性分析人脸之间的相似性进而进行识别，但由于人脸图像的复杂性，该方案直接进行识别效率低，准确性差；使用主成分分析(Principal Component Analysis，PCA)生成“特征脸”(Eigenface)将人脸图像降维至低维空间，尽可能保留原始数据的主要信息提高了方法的可行性，但是该方法对于光照、环境、表情等变化不具有较好的鲁棒性，对于头部姿态变化也具有不够稳定的缺点。因此开发一种克服上述识别缺点的人脸识别方法具有十分重要的现实意义。

发明内容

为克服现有技术的不足，本发明旨在提供一种基于方向梯度直方图(Histogramof Oriented Gradient,HOG)与深度残差网络相结合的方案实现人脸识别的方法。针对采集到的图像由于光照影响导致的人物与背景不分明的问题，采用自适应的灰度直方图均衡方法进行图像增强提高对比度；然后使用HOG对增强后的图像进行纹理特征描述，通过基于纹理特征训练的支持向量机(Support Vector Machine,SVM)分类器实现图像中的人脸检测并裁剪；将裁剪的人脸图像通过输入深度残差网络模型得到128维人脸特征，并与存储的人脸库中的特征进行比对，获得对比矩阵，通过求对比矩阵1-范数得到两张人脸图像特征的欧氏距离，根据欧氏距离是否符合相似阈值来判断相似度，实现人脸的准确、快速识别。

为此，本发明采取的技术方案是，一种基于方向梯度直方图与深度残差网络相结合的方案实现人脸识别的方法，具体步骤如下：

一种HOG和深度残差网络的人脸识别方法，包括以下步骤：

S1，对人脸图像进行预处理：