[发明专利]一种基于CNN的多层次图像语义的人脸识别方法

摘要

本发明提供了一种基于CNN的多层次图像语义的人脸识别方法，该方法在VGGNet基础上做了进一步优化，提出了一种新的网络结构，对多层特征进行跨层拼接，使得最终提取的图像特征具有多层次图像语义。同时在卷积神经网络的训练中，加入提取到的传统特征作为附加特征，使得CNN特征信息更加完备。然后通过对浅层卷积层进行结构优化，减少冗余计算，使得模型的计算量大幅度减少。最后使用改进的矩阵分解算法对卷积层进行加速，可以在1秒的时间内对网络进行加速，在加速比达到4倍的情况下不降低模型准确率。本发明实现的人脸比对算法具有高准确率高实时性的特点，与现有算法对比，具有更高的准确率，同时计算效率也更高。

主权项

一种基于CNN的多层次图像语义的人脸识别方法，其特征在于包括以下四个步骤：步骤(1)、首先采用自适应中值滤波算法对输入图像进行去噪处理，然后截取检测到的人脸区域图像，再使用双线性插值算法对人脸图像进行归一化处理，提高人脸识别准确率，归一化后的图像尺寸为256*224；步骤(2)、然后将步骤(1)归一化后的图像的每个通道都进行直方图均衡化操作，再把均衡化后的人脸图像切分成若干个区域，把每个区域对应的直方图向量拼接成一个大向量，与八采样点的LBP算子进行计算，得到图像的高维LBP特征；步骤(3)、把提取到的LBP特征作为图像的附加特征，加入到卷积神经网络的训练中；设计网络结构时，保持conv4_3层的特征图尺寸，并将conv4_3与conv5_3层的特征图尺寸统一到与conv4_3相同的尺寸，在conv3_3层特征图中使用平均池化采样，对conv5_3层特征图中使用反卷积操作对特征图进行上采样，然后将conv3_3，conv4_3，conv5_3三层计算得到的特征进行拼接，再经过一层全连接层，将全连接层的输出作为最终的图像特征；步骤(4)、两张人脸图像均经过步骤(3)后，得到两个1024维的特征向量，需要通过特征相似度计算去评判两张人脸的相似程度，利用自适应距离计算方法来计算两组特征的欧氏距离相似度，最后与先验的阈值进行比对，若结果高于阈值则判定为同一个人，否则不属于同一个人。