[发明专利]一种高准确率的人脸识别改进算法

权利要求书

1.一种高准确率的人脸识别改进算法，其特征在于，采用双对称LeNet并行连接的网络结构，利用DCT-LBP联合处理法特征提取，并在输出层回归分类余弦矫正，其步骤如下：

步骤一：选用双对称LeNet并行连接的网络结构：以经典卷积神经网络模型LeNet为基础，采用双对称LeNet并行连接网络结构，同步模型采取两路并行网络，分别进行图像处理，独立获取高层特征向量，在输出层进行合并；

步骤二：采用DCT-LBP联合处理的方法对输入图像的全局特征和局部特征分别进行提取：LBP化处理是局部二值模式，对人脸图像进行像素级的LBP编码，再根据编码求其统计直方图，来作为具有空间不变性的人脸的局部特征；DCT化处理是人脸图像信息经过DCT离散余弦变换后，所获得的低频系数，来作为人脸的局部特征；

步骤三：当图像信息到达输出层时，采用Softmax回归分类对人脸图像信息与数据库中信息进行比对分类，得出正确完整的人物信息；在回归分类中增加余弦矫正，减少冗余，增强泛化能力减少过拟合。

2.根据权利要求1所述的一种高准确率的人脸识别改进算法，其特征在于，所述的步骤二具体为：DCT-LBP联合处理利用像素级LBP编码的二值化处理，获取其局部二值模式中的跳变次数的统计直方图，用以提取人脸信息局部特征；计算公式如公式(1)所示：

其中

式中：a_c为中心像素灰度值，a_i为周围邻域点像素灰度值，S为阈值函数，f_LBP(m_c，n_c)为中心像素的LBP值；

DCT离散变换获得低频系数作为人脸信息的全局特征；其计算公式如公式(2)所示：

其中

式中：F(u，v)为DCT系数，u，v代表DCT变换后矩阵内某个数值的坐标位置，f(x，y)代表图像数据矩阵内的数个数值；

将LBP与DCT进行加权融合联合处理，其计算公式如公式(3)所示：

S＝a·DCT+b·LBP (3)

式中：a为DCT的加权系数，b为LBP的加权系数，且a+b＝1；S为加权后的图像。

3.根据权利要求1所述的一种高准确率的人脸识别改进算法，其特征在于，所述的步骤三中，Softmax回归是一个线性的多分类模型，是Logistic回归模型的延伸；在多分类问题上，可以把真实权重向量转化为一种概率分布，损失函数表达式如公式(4)所示：

式中：M为样本数量，N为类别数量；x_i为第i个样本的特征向量，y_i为类别标记；W和b分别作为全连接层的权重矩阵和偏置向量，W_j为权重矩阵的第j列，b_j为对应的偏置项；

Softmax回归分类中增加余弦矫正，消除损失函数带来较大类内变化，使其更加紧密，特征更具有判别性，该类内余弦相似性损失函数如公式(5)所示：

式中：为第i个样本的特征向量与其对应类别权重向量之间的夹角；

在输出层Softmax回归分类中的特征和权重向量间增加类内余弦矫正，使得类内更加紧凑，类间尽可能远离，增强了卷积神经网络模型的泛化能力，减少过拟合现象，提高了识别率；

为了使与测试阶段的余弦相似性衡量一致，把样本相似性的欧式距离转化为余弦距离，权重与特征归一化到相同的值S，使其自动学习，不同类之间的人脸样本特征能够较好的在超球面上分离；其最终联合表达式如公式(6)所示：

式中：λ为归一化后的联合表达式的平衡系数。

4.根据权利要求1所述的一种高准确率的人脸识别改进算法，其特征在于，在具有近5000多人在不同环境下的人脸图像信息的LFW数据库中，用Casia-Web Face数据库作为训练集，LFW数据库作为测试集；利用测试结果的数据对比来验证改进后人脸识别算法的准确率。