[发明专利]基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法

摘要

本发明公开了一种基于GB(2D)²PCANet深度卷积模型的人脸身份识别方法。模型训练方法包括以下步骤：将预处理人脸样本依次送入第一个特征提取层，从获取的Gabor特征图像中扫描多个子块并去均值，利用(2D)²PCA提取最优投影轴，与训练集原始样本卷积，获得第一层特征图；将第一层特征图送入第二个特征提取层，重复前述步骤，获得第二层特征图；二值化输出特征图，计算并拼接局部区域直方图作为最终特征；将最终特征送入线性SVM分类器，获得优化的人脸身份识别模型。本发明能够自动学习有效的特征表达，不仅具有良好的局部性，而且对光照、表情和噪音等具有良好的鲁棒性，提高了人脸身份的识别性能。

主权项

1.一种基于GB(2D)²PCANet深度卷积模型的人脸身份识别方法，其特征在于，包括训练阶段和测试阶段；训练阶段包括下列步骤：步骤一、对已知人脸库中的训练集人脸图像进行预处理，包括转化成灰度图和调整图像尺寸到相同大小p×q；步骤二、将训练样本依次送入GB(2D)²PCANet模型的第一个特征提取层，获取第一个特征提取层的Gabor特征图像；具体地，令表示人脸图像训练集，其中N为训练集中的样本数，表示一张人脸样本图像；将每个样本A_i依次送入第一个特征提取层，首先进行5个尺度和8个方向结合的2D Gabor滤波，通过降采样，得到最终的Gabor特征图像，记为其中s是特征图像降采样后的像素个数，t是2D Gabor滤波器的个数，t＝40；步骤三、对每个Gabor特征图像B_i，扫描提取m×n个l₁×l₂大小的图像块，对图像块进行去均值操作，获得其中表示B_i中第j个去均值图像块；所有Gabor特征图像经过相同的处理之后，可得到样本矩阵为了方便描述，用连续的序号表示I中所有的图像块并重记为步骤四、利用基于(2D)²PCA的特征投影向量分析方法，同时从行、列两个方向提取样本矩阵I的最优投影轴，作为第一层特征提取阶段卷积滤波器N₁为第一层卷积滤波器的个数；步骤五、将步骤四学习到的卷积滤波器与训练集人脸原始图像分别卷积，得到N×N₁个特征图其中步骤六、将步骤五得到的每个训练样本A_i对应的特征图作为第二个特征提取层输入，利用与步骤三至步骤五同样的特征学习方法，依次学习第二层的卷积滤波器N₂为第二层卷积滤波器的个数；并用卷积滤波器与步骤五得到的特征图分别卷积，得到N×N₁×N₂个第二层特征图其中步骤七、对步骤六中得到的每个训练样本A_i对应的第二层特征图二值哈希编码得到二值化特征图具体地，首先利用二值哈希函数H(·)将二值化，其中，当输入大于0时，H(·)值为1，当输入小于或等于0时，H(·)值为0；然后将所有由第二层的输入二次卷积得到的N₂个二值化特征图作为一组，将这N₂个二值化特征图同一像素位置的二进制数组成的二值向量并转化为十进制数，从而得到一张整数值输出图其中i∈[1,N],n∈[1,N₁]；因此单个样本A_i最终生成N₁个二值特征图所有样本最终得到N×N₁个二值特征图步骤八、针对每个二值特征图其中i∈[1,N],n∈[1,N₁]，以滑动窗的形式取[b₁b₂]大小的块，块的重叠比例为α，计算每个块的统计直方图，记为然后将所有由单个样本A_i生成的N₁个二值特征图的局部区域的统计直方图拼接起来，得到人脸图像A_i的最终输出特征步骤九、将步骤八得到的所有样本的输出特征送入Linear SVM分类器中训练，获得基于GB(2D)²PCANet的最优Linear SVM的人脸身份识别分类模型。