[发明专利]一种高准确率的人脸识别改进算法

说明书

本发明提供一种高准确率的人脸识别改进算法，采用的技术方案是基于卷积神经网络的人脸识别改进算法，步骤如下：步骤一：选用双对称LeNet并行连接的网络结构；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；步骤三：在输出层Softmax回归分类中加余弦矫正用以增强泛化能力。本发明是一种基于卷积神经网络的人脸识别改进算法，能有效的提高人脸识别准确率，可以高精准的获得人脸图像的全部信息。

技术领域

本发明涉及人脸识别算法技术领域，特别涉及一种高准确率的人脸识别改进算法。

背景技术

在目前的相关技术中，人脸识别方法主要以基于深度学习为主，速率及准确率虽相对其他人脸识别技术较好，但仍需进一步完善，而本发明采用双对称LeNet网络并行连接的网络结构，对输入图像(特征提取)DCT-LBP化以及输出分类余弦矫正等联合处理算法是人脸识别准确率最高的方法之一。

双对称LeNet网络是以经典的卷积神经网络LeNet为基础，采用完全对称的方式并行同步模型，实现双对称LeNet并行连接的网络结构。分别进行图像处理，各自独立获取高层特征向量，在输出层进行合并分类过程，取得提升准确率的效果。

DCT-LBP联合处理过程是指DCT利用傅里叶变换，在频域中获取低频信息，保留整体特征。LBP特征提取通过分析像素点之间的关系，来描述图像纹理特征，在局部特征提取方面取得较好效果。

Softmax回归分类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，从而实现特征信息分类过程。

发明内容

为克服人脸识别准确率低的技术问题，本发明提供了一种高准确率的人脸识别改进算法，在不影响训练效率的情况下，提高识别精度。

为了达到上述目的，本发明采用以下技术方案实现：

本发明采用的技术方案是在经典的卷积神经网络的基础下，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。

一种高准确率的人脸识别改进算法，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。

进一步地，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