[发明专利]一种基于通道特征融合稀疏表示的人脸识别方法

摘要

本发明公开了一种基于通道特征融合稀疏表示的人脸识别方法，该方法计算复杂度较低，运行速度快，能够方便处理人脸识别实际应用中类别增加或者减少的问题，并且对于现实生活环境中人脸的各种变化，如拍摄角度，表情等变化具有较强的鲁棒性，首先将预训练好的ResNet网络的全连接层去掉，剩余部分用作特征提取网络，然后将待测图片和样本库里的图片输入特征提取网络，得到他们的特征图，之后将每64个通道的特征图进行相加，得到8个通道的融合特征图，接着对待测图片和样本库图片的8个融合特征图进行稀疏表示分类，求出其稀疏表示系数，最后将8个通道求出的类别差值相加，差值最小的那一类即为待测人脸图片的类别。

主权项

1.一种基于通道特征融合稀疏表示的人脸识别方法，其特征在于，包括以下步骤：(1)残差网络特征图提取，将预训练好的ResNet网络的全连接层去掉，剩余部分用作特征提取网络，将待测图片和样本库里的图片输入特征提取网络，得到他们的特征图，步骤如下：①将预训练好的残差卷积神经网络的最后一层全连接层去掉，从而大大减少网络的参数量，提高算法的运行速度；②将尺寸为224*224*3的图片输入该网络进行特征提取，经过卷积层1‑1的滑动步长为2的64个卷积核卷积之后，我们得到尺寸为112*112*64的特征图；③经过池化层1，特征图的尺寸继续减半，变为56*56*64；④当特征图经过卷积层3‑1的128个滑动步长为2的卷积核之后，其尺寸变为28*28*128；⑤当特征图经过卷积层4‑1的256个滑动步长为2的卷积核之后，其尺寸变成14*14*256；⑥再经过卷积层5‑1后，特征图的尺寸变为7*7*512，这是最终得到的经过残差网络特征图提取得到的特征图的尺寸，后面剩下的若干卷积层不会使其尺寸继续发生改变；(2)特征图通道特征融合，步骤如下：①将尺寸为224*224*3的人脸图片输入上述特征提取网络之后，我们将得到尺寸为7*7*512的特征图；②该特征图有512个通道的子特征图，设它们分别为特征图1，特征图2，…,特征图512；③通道数量过多会造成后面的稀疏分类计算复杂，运行速度慢，因此将每64个子特征图相加，得到8个尺寸为7*7的融合子特征图，设它们分别为融合特征图1，融合特征图2，…，融合特征图8；(3)特征图稀疏系数求解，步骤如下：①通过前面的特征提取网络和特征图通道融合这两个步骤，我们可以得到待识别图片和样本库中人脸图片的7*7*8的融合特征图；②融合特征图有8个通道，每个通道的子特征图的大小为7*7，将7*7的子特征图重新排列为49*1的子特征张量；③设待识别人脸图像的第一个子特征张量为q₁,q₁∈R^49*1，设样本库中共有N个类别的人脸图像，每个类别的人脸图像有s个样本，设表示样本库中第一个类别的所有样本的第一个子特征张量构成的集合，设表示所有类别样本的第一个子特征张量构成的集合，用G₁向量的线性组合去逼近q₁，因此可以列出式子如下：其中L是逼近误差，W₁∈R^(s*N)是稀疏表示系数，λ是常数项，要求的是使得L最小的W₁的值，W₁可以用下式求出：W₁＝(G₁^TG₁+λI)G₁^Tq₁其中I是单位矩阵。类似地，可以求出其他子特征张量对应的稀疏表示系数W₂,W₃,...,W₈；(4)类别差值累加分类，步骤如下：①设表示样本库中第一类样本的第一个子特征张量构成的集合对应的稀疏系数，我们可以求出待识别样本与该类别样本的差值为：②可以求出样本库中第一类样本其他子特征张量对应的差值将这8个差值加起来，我们就可以得到第一类样本的累加差值e¹；③同理可以求出其他类别样本的累加差值e²,e³,...,eⁿ,最后，待识别样本q将会被判定为属于累加差值最小的那一类。