[发明专利]基于区域分割Haar-SIFT深度信念网络的人脸识别方法

摘要

本发明针对尺度不变特征变换(SIFT)算法在特征提取过程中矩形区域对旋转变化和比例变化性能的局限性、特征向量维数过大以及匹配率低下等问题，提出一种基于区域分割Haar‑SIFT深度信念网络算法模型。首先，对SIFT算法进行改进，利用haar小波特征确定主方向、描述特征向量，利用圆形区域比矩形区域具有更好的旋转不变性，在圆形区域上进行区域分割，建立32维特征向量；然后，采用无监督逐层训练，并用有监督的BP网络进行微调，实现网络的自学习和自优化；最后，利用深度信念网络进行分类，识别人脸图像。将该算法应用到ORL和FERET人脸库上，实验结果表明，在光照、模糊、旋转、姿态等因素的影响下，有效地提高了人脸识别效果以及匹配速率。

主权项

1.一种基于区域分割Haar‑SIFT深度信念网络的人脸识别方法，其特征在于，主要对SIFT特征进行改进，利用haar小波特征确定主方向、描述特征向量，利用圆形区域代替矩形区域，在圆形区域上进行区域分割，并与深度信念网络算法结合，包括如下步骤：步骤一，首先用改进的SIFT算法提取人脸特征，SIFT算法提取人脸特征，主要分为四个部分：首先进行尺度空间极值检测；然后对关键点定位；再利用haar小波特征确定主方向，在圆形邻域内，以特征点作为圆形中心，在60°扇形区间里，统计全部特征点的水平、竖直haar小波特征总和，然后把扇形旋转并且再次统计新区域内特征点haar小波的特征值并与之前统计的特征值作对比，旋转一周后最终特征点主方向就是特征值最大的扇形方向；最后描述关键点，以特征点作为中心点，在圆形区域内以主方向作为起始方向分出8个子区域，8个子区域的面积相等，对于每一个子区域都要求取haar小波响应，，haar小波x方向的响应记为dx，y方向的响应记作dy，得到4维的描述子∑dx,∑dy,∑|dx|,∑|dy|，总共生成8×4＝32维特征向量；步骤2：将区域分割Haar‑SIFT算法提取的特征输入到DBN的可视层，训练第一层RBM，将第一层RBM的输出作为第二层RBM的输入训练第二层RBM，重复该过程直到训练完所有的RBM，以获取最优网络参数，用BP算法微调整个网络参数，使整个网络达到最优，利用该网络从下到上逐层地学习和挖掘测试集中具有区分性的有用特征，得到最终的识别结果。