[发明专利]一种基于加权L2抽取深度学习人脸识别方法

摘要

本发明公开了一种基于加权L2抽取深度学习人脸识别方法，首先通过多种卷积核卷积提取人脸特征矢量，然后利用加权L2抽取方法对特征矢量进行降维，接着通过局部平均归一化处理方法对特征矢量进行归一化，从而构成深度学习中的一层网络，利用相同方法搭建三层深度学习网络，并将三层深度学习网络进行级联，构成一个层次化的三层深度学习网络，最后利用支持矢量机分类器进行人脸的训练和识别。本发明提出加权L2抽取方法进行特征降维，克服传统L2抽取特征单一和训练中的过拟合问题，有效实现特征矢量降维的同时能提高人脸识别性能，能有效提取更高级的特征，稳定性强，识别性能高。

主权项

一种基于加权L2抽取深度学习人脸识别方法，其特征在于，包括以下步骤：（1）对人脸训练图片进行预处理；（2）选择T种卷积核对预处理后的人脸训练图片进行卷积，得到T个的特征图层，分别对每个特征图层提取特征矢量，得到特征矢量；T≥2；（3）用加权L2抽取方法对步骤（2）提取的特征矢量进行降维；所述加权L2抽取方法具体如下：将加权L2抽取方法描述为一个两层的网络，其中第一层为简单层，第二层为采样层，简单层的权值矩阵为W,采样层的权值矩阵为V，设x(t)为第t个特征图层的特征矢量，t=1,2,3…T；则采样层的输出响应为 p i ( x ( t ) ; W , V ) = Σ k = 1 m V ik ( Σ j = 1 n W kj x j ( t ) ) 2 上式中，W∈Rm*n，V∈Rm*m,n代表第t个特征图层的特征矢量大小，m代表简单层单元的个数，Wkj表示矩阵W第k行，第j列的元素，Vik表示矩阵V第i行，第k列的元素；i=1,2,3…m；其中，矩阵W由以下目标函数给出： min imize W Σ t = 1 T Σ i = 1 m p i ( x ( t ) ; W , V ) 目标函数的约束条件为：WWT=I，其中WT为W的转置矩阵；矩阵V是一个固定矩阵；（4）对降维后的特征向量进行归一化处理；（5）以步骤（4）的输出作为输入，进行步骤（2）～（4）；（6）以步骤（5）的输出作为输入，进行步骤（2）～（4）；（7）将步骤（6）的输出送入支持向量机分类器进行训练，得到训练好的支持向量机分类器；（8）利用步骤（7）训练好的支持向量机分类器对人脸进行识别。