[发明专利]基于自编码器的人脸图像旋转方法

摘要

本发明公开了一种基于自编码器的人脸图像旋转方法，依次包括以下步骤首先，采集每一位用户的原始正面和侧面人脸图像，并通过手工方式选取包含人脸的区域构成纯人脸图像，并以此作为用户人脸图像的模板；然后，将模板库中的彩色图像转换成灰度图像；其次，从自编码器的输入层到中间层，将相邻两层看作RBM，逐层训练每个RBM。将训练后RBM堆叠得到自编码器，并用训练RBM得到的权值和偏置作为自编码器的初始化权值和偏置；再次，使用反向传播算法逐层调整自编码器各层的权值和偏置；最后，使用新用户的侧面人脸图像，对训练过的自编码器进行测试，将侧面图像重建成正面人脸图像。该方法重建过程更加智能化。

主权项

一种基于自编码器的人脸旋转方法，其特征在于：该方法依次包括以下步骤，步骤1、建立人脸图像模板库，定义有N个用户，使用图像采集设备，为每一个用户拍摄正面和侧面原始人脸图像，拍摄侧面图像时，让人脸以正前方为基准，旋转一定角度进行拍摄；设人脸旋转的角度为α，‑45°≤α≤45°；获得原始人脸图像后，手工选择图像中只包含人脸部分构成纯人脸图像，每个用户选一张正面图像作为目标图像模板和m张侧面图像作为侧面图像模板，第c个用户的正面图像和侧面图像分别用Pc和表示，1≤c≤N，1≤m≤100，(c‑1)m+1≤t≤cm，用Hc和Wc分别表示正面图像的高和宽，和分别表示侧面图像的高和宽，用表示N个用户的纯人脸图像模板库，把N个用户的人脸图像模板SOF分成两部分，一部分为训练人脸库D1，包含每个用户的一幅正面图像和m幅侧面图像，用于训练自编码器；剩余用户的正面图像和侧面图像作为测试人脸库D2，用于测试训练后的自编码器；步骤2、如果纯人脸图像模板是彩色图像，则首先将彩色图像转换成灰度图像，用Rc(h,w)、Gc(h,w)和Bc(h,w)分别表示第c个用户正面人脸图像中第(h,w)个像素的红色分量、绿色分量和蓝色分量，根据著名灰度化心理学公式计算其灰度值如下：gc(h,w)＝(Rc(h,w)×299+Gc(h,w)×587+Bc(h,w)×114+500)/1000灰度化后的人脸图像分别用表示；步骤3、使用训练人脸库D1中每个用户经过灰度化后的侧面图像为训练图像，每个用户对应的灰度化后的正面图像为目标输出，训练自编码器；定义自编码器包含2r‑1个隐含层，输入层的节点数为l，l＝Hc×Wc；第k个隐含层的节点数分别为lk，1≤k≤2r‑1，输出层的节点数和输入层的节点数相同，都为l，网络的参数为各个层的权值和偏置；自编码器的训练过程包含逐层无监督预训练和有监督微调两个阶段，在逐层无监督预训练过程中，从自编码器的输入层到中间层，把相邻两层看作受限玻尔兹曼机，其中每个RBM的输出是上一个相邻RBM的输入，从最底层的RBM开始，逐层对所有RBM进行学习训练；逐层训练完成后，采用有监督的方式，从网络的输出层到输入层，逐层调整网络的参数；第k个RBM的可视层为hk‑1，1≤k≤r，隐含层为自编码器的第k个隐含层hk，RBM的学习过程具体步骤如下：步骤3.1、随机初始化权值矩阵Wk，可视层偏置向量ak和隐含层偏置向量bk为接近于0的数值；步骤3.2、对输入向量hk‑1，计算下面的概率值：P(hki=1|hk-1)=11+e-(Σj=1lk-1wijkhk-1,j+bik),1≤i≤lk]]>随机产生i个0到1之间的随机数βi，将P(hki＝1|hk‑1)与对应的βi进行比较，若P(hki＝1|hk‑1)大于βi，则令P(hki＝1|hk‑1)＝1；否则，令P(hki＝1|hk‑1)＝0；步骤3.3、使用采样得到的P(hki＝1|hk‑1)，计算下面的概率值，得到可视层的重建P(h^k-1,j=1|hk)=11+e-(Σi=1lkwijkhk,i+ajk),1≤j≤lk-1]]>步骤3.4、使用可视层的重建计算下面的概率值：P(h^ki=1|h^k-1)=11+e-(Σj=1lk-1wijkh^k-1,j+bik),1≤i≤lk]]>步骤3.5、按照下式更新各个参数：Wk←Wk+η(P(hki=1|hk-1)hk-1T-P(h^ki=1|h^k-1)h^k-1T))]]>ak←ak+η(hk-1-h^k-1)]]>bk←bk+η(P(hki=1|hk-1)-P(h^ki=1|h^k-1))]]>式中，η表示学习率，0＜η＜1；步骤4、依照步骤3，依次学习第1个到第r个RBM；步骤5、将训练后的r个RBM从底向上堆叠，然后以第r个RBM的隐含层作为中间层，将这r个RBM再反向堆叠，得到自编码器，并用步骤4得到的权值和偏置初始化自编码器；步骤6、采用反向传播算法调整自编码器的参数；步骤6.1、对于输入向量x，根据以下公式，计算自编码器各层神经元的激活：h1i=σ(Σj=1lwij1xj+bi1),i=1,2,...,l1;hki=σ(Σj=1nk-1wijkhk-1,j+bik),i=1,2,...,lk,1<k≤2r-1;oi=σ(Σj=1nrwij2r-1h2r-1,j+bi2r-1),i=1,2,...,l;]]>其中，σ(·)为sigmoid函数，σ(x)＝1/1+e‑x，表示第1个隐含层第i个节点的偏置，表示第k个隐含层第i个节点的偏置，表示第2r‑1个隐含层第i个节点的偏置，且1≤k≤2r‑1；步骤6.2、目标函数为实际输出向量o与目标输出向量y的交叉熵，用f表示：f=-Σt=1mNΣj=1l(yjt×logojt+(1-yjt)×log(1-ojt))]]>步骤6.3、令1≤k≤2r‑1,1≤t≤mN，计算各代价函数f对的偏导数；计算代价函数f对输出层的偏导数，用表示：δ2rt=Σj=1l(ojt-yjt)]]>对于hk(k＝2r‑1,…,1)隐含层，计算代价函数f对各层的偏导：δkt=(Wk+1)Tδk+1tσ′(ukt),1≤k≤2r-1]]>步骤6.4、计算代价函数关于权值和偏置的偏导：∂f∂Wk=Σt=1mNhk-1t(δkt)T∂f∂bk=Σt=1mNδkt,1≤k≤2r-1]]>步骤6.5、利用共轭梯度下降法对权值和偏置进行迭代更新，得到最终的权值和偏置；步骤7、读取测试人脸图像库D2，将测试人脸图像库D2中的侧面人脸图像重建成正面人脸图像。