[发明专利]基于卷积神经网络的多通道人眼闭合识别方法

摘要

本发明公开了基于卷积神经网络的多通道人眼闭合识别方法，该方法首先获取人眼的R、G、B图像和近红外图像数据库；然后将人眼的R、G、B和红外图像经过处理后融合成四通道图像以充分利用人眼的各种变化信息，并作为卷积神经的输入；接着通过多个卷积层、池化层操作获取图像特征；最后由一个全连接层输出图像的分类结果。本发明实际应用中利用Kinect相机获取人眼的多通道图像，对人眼状态的识别具有很好的鲁棒性，识别精度高，抗干扰能力强。

主权项

1.基于卷积神经网络的多通道人眼闭合识别方法，其特征在于，包括如下步骤：步骤1，获取人眼训练图像，包括RGB彩色图像和近红外图像，分别对RGB彩色图像和近红外图像进行归一化处理后，融合成四通道图像，将四通道图像作为卷积神经网络的输入进行训练，且输入图像的大小为28*28像素；步骤2，卷积神经网络依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层；第一卷积层采用5个5*5的感受器对输入图像进行卷积，步长为1，得到20个24*24的特征图，将20个24*24的特征图经过Relu激活函数处理后，得到20个具有非线性因素的特征图；步骤3，第一池化层采用最大池化方式对步骤2得到的20个具有非线性因素的特征图进行池化，其中，过滤器的大小为2*2，步长为2，得到20个12*12的特征图；步骤4，第二卷积层采用20个5*5的感受器对步骤3得到的特征图进行卷积，得到20个8*8的特征图，将20个8*8的特征图经过Relu激活函数处理后，得到20个具有非线性因素的特征图；步骤5，第二池化层采用最大池化方式对步骤4得到的20个具有非线性因素的特征图进行池化，其中，过滤器的大小为2*2，步长为2，得到20个4*4的特征图；步骤6，全连接层对步骤5得到的20个4*4的特征图进行分类，得到训练好的卷积神经网络；步骤7，采用Kinect相机获取人脸测试图像，包括RGB彩色图像和近红外图像，对人脸测试图像进行归一化处理后，融合成四通道图像，将四通道图像输入训练好的卷积神经网络中识别，得到识别结果。