[发明专利]基于卷积神经网络的人脸识别方法

摘要

本发明提供了一种基于卷积神经网络的人脸识别方法，包括对人脸图像进行必要的前期预处理，得到理想的人脸图像；选取理想的人脸图像作为卷积神经网络的输入进入U0，U0的输出进入UG，UG的输出作为US1的输入；US1的S神经元通过有监督训练，提取输入图像中不同方向的边缘成分作为第一次的特征提取并输出至特UC1的输入；UC1的输出作为US2的输入，US2完成第二次的特征提取并作为UC2的输入；UC2的输出作为US3的输入，US3完成第三次的特征提取并作为UC3的输入；UC3的输出作为US4的输入，US4通过监督竞争学习的方式得到各层的权值、阈值及神经元细胞平面数并作为UC4的输入；UC4作为网络的输出层，输出由US4的输出最大结果所决定的网络最终的模式识别结果。本发明能够提高复杂场景下人脸的识别率。

主权项

一种基于卷积神经网络的人脸识别方法，其特征在于，包括：步骤一，对人脸图像进行前期预处理，得到理想的人脸图像；步骤二，选取理想的人脸图像作为卷积神经网络的输入进入输入层U0，输入层U0的输出进入差异提取层UG，UG层的输出作为特征提取层S的第一层US1的输入；步骤三，第一层US1的S神经元通过有监督训练，提取输入图像中不同方向的边缘成分作为第一次的特征提取并输出至特征映射层C的第一层UC1的输入，其中，所述特征映射层C为由复杂神经元组成的神经层，特征映射层C的输入连接是固定的，不可修改，每个特征映射为一个平面，平面上所有神经元的权值相等；步骤四，第一层UC1的输出作为特征提取层S的第二层US2的输入，第二层US2完成第二次的特征提取并作为特征映射层C的第二层UC2的输入；步骤五，特征映射层C的第二层UC2的输出作为特征提取层S的第三层US3的输入，第三层US3完成第三次的特征提取并作为特征映射层C的第三层UC3的输入；步骤六，特征映射层C的第三层UC3的输出作为特征提取层S的第四层US4的输入，第四层US4通过监督竞争学习的方式得到各层的权值、阈值及神经元细胞平面数并作为特征映射层C的第四层UC4的输入；步骤七，第四层UC4作为网络的输出层，输出由第四层US4的输出最大结果所决定的网络最终的模式识别结果。