[发明专利]一种基于变速学习深度自编码网络的人脸识别方法

摘要

本发明提供一种基于变速学习深度自编码网络的人脸识别方法，属于深度神经网络的模式识别领域。该方法包括以下内容：图像包括训练图像和待识别图像，首先对训练图像进行预处理得到归一化数据；其次将预处理后的训练数据输入深度自编码网络，通过变速学习策略指导深度自编码网络的逐层预训练，然后在网络顶层上添加分类器，通过微调进一步优化网络获得识别模型，针对预处理后的待识别人脸图像进行识别，输出识别结果，并统计识别率。本发明的模型充分利用了深度自编码网络发现数据本质特征的能力，同时加快了特征学习速度和网络的收敛速度，得到较优的识别性能。

主权项

1.一种基于变速学习深度自编码网络的人脸识别方法，其特征在于，包括以下步骤：1)将训练数据集输入识别模型进行数据预处理；2)将预处理后的数据输入可变速学习的深度自编码网络进行逐层预训练；2‑1)使用小批量梯度下降算法训练深度自编码网络，首先训练第一层网络，初始化学习阶段数设为1；2‑2)对输入层数据进行编码得到隐含层数据，再将隐含层数据解码得到输出层数据，分别计算输出层数据和输入层数据间的重构误差信息和网络参数更新信息；2‑3)统计网络的重构误差信息，量化局部变速系数和总体变速系数；2‑4)统计网络的参数更新信息，量化相关变速系数；2‑5)将局部变速系数、总体变速系数和相关变速系数相乘，得到最终变速系数；2‑6)将初始学习率与步骤2‑5)的最终变速系数相乘，获得下一阶段的学习率向量，每个隐含层特征节点有与之对应更新的学习率且其学习过程相互独立；下一阶段的网络参数将在各节点对应的学习率指导下完成更新；2‑7)当前学习阶段数自加1，判断当前阶段数是否小于预设学习阶段总数，满足则跳转至步骤2‑2)，否则表示当前层训练完毕，跳转至步骤2‑8)；2‑8)上一个自编码网络的隐含层输出作为下一个自编码网络的隐含层的输入，同样使用小批量梯度下降法，以重构误差最小化为目标进行阶段化训练；训练中参数更新所使用的学习率同样通过2‑2)至步骤2‑7)的变速学习策略进行更新；直至完成深度自编码网络各层预训练为止；3)对各层已完成预训练的深度自编码网络进行全网微调；3‑1)将预处理后的人脸图像数据输入步骤2)训练好的深度自编码网络，进行逐层特征提取，网络最后一层上添加分类器，通过反向传播算法对深度自编码网络进行参数优化；3‑2)当完成全网络微调后，即可获得基于变速学习的深度自编码网络模型；4)将预处理后的待识别人脸图像通过输入微调后的深度自编码网络模型中，得到对应的识别结果。