[发明专利]基于卷积神经网络的多波段光源人脸识别方法

权利要求书

1.基于卷积神经网络的多波段光源人脸识别方法，其特征在于，具体包括以下步骤：

A.采集可见光a、近红外b、中红外c、远红外d和热红外e的多波段光源图像做为人脸识别的数据源；

B.基于不同种类的卷积神经网络，提取不同光源数据下的人脸特征表达向量；

可见光:Fa＝Fa1+Fa2+...+Fan；

近红外:Fb＝Fb1+Fb2+...+Fbn；

中红外:Fc＝Fc1+Fc2+...+Fcn；

远红外:Fd＝Fd1+Fd2+...+Fdn；

热红外:Fe＝Fe1+Fe2+...+Fen；

C.串联不同光源和不同backbone下提取的人脸特征向量为F＝[Fa,Fb,Fc,Fd,Fe]；

D.获取特征；

E.采用最近邻分类器获取人脸识别结果。

2.根据权利要求1所述的基于卷积神经网络的多波段光源人脸识别方法，其特征在于，步骤A中不同波段光源图像获取后，需要对图像进行预处理，与处理步骤包括光线补偿、灰度校正、噪声过滤。

3.根据权利要求1所述的基于卷积神经网络的多波段光源人脸识别方法，其特征在于，步骤D具体包括以下步骤：

a.基于arcface方法，采取不同的backbone，分别训练不同的特征提取模型；

b.采用embed方法，提取不同人脸特征向量F；

c.固定所有提取人脸特征的backbone参数，基于F为输入，设置二阶段训练的多个FC层，再基于arcface方法对特征向量进行降维和特征选择。

4.根据权利要求1所述的基于卷积神经网络的多波段光源人脸识别方法，其特征在于，步骤E中所述最邻近分类器获取人脸识别结果的方法为：

E1.利用SVM算法，求出相应的支持向量，设定阈值；

E2.对于待识别特征样本x，计算x与两类支持向量代表点x+和x-的距离差，如果距离差大于给定的阈值，即x离分界面较远；

E3.如果距离差小于给定的阈值，即x离分界面较近，即识别特征样本x即为完整的人脸特征。