一种基于多特征融合的深度学习人脸识别方法技术

本发明专利技术公开了一种基于多特征融合的深度学习人脸识别方法，首先对待测试的orl人脸库进行二维gabor变换（2D gabor）,提取出具有gabor特征的人脸库；由于图片的尺寸为：92×112，此处尺寸比较大，采用双线性插值的方法，将图像降为32×32的；然后将原始的orl人脸库与gabor特征的人脸库进行融合；最后用深度学习里面的栈式自编码的方式进行编码，并用softmax回归的方式求出权重参数，预测出识别准确率。本发明专利技术融合了多特征后，前提是该特征单独用此算法测试准确率不得低于80%，准确率会提高，而且算法会更加稳定，即随机初始化后，识别准确率基本保持不变。

【技术实现步骤摘要】

本专利技术属于图像识别和深度学习
，涉及一种学习人脸识别方法，特别是涉及一种基于多特征融合的深度学习人脸识别方法。
技术介绍
人脸识别是基于人的脸部特征信息进行身份认证的一种生物识别技术。通过摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行匹配与识别。人脸识别的应用领域很广泛，尤其是在安防反恐、金融支付、门禁考勤、身份识别等众多领域起着非常重要的作用，它所涉及的领域知识有生物医学、模式识别、图像处理、机器学习等。人脸识别算法主要有：①模板匹配法：主要利用了人脸的纹理和灰度特征，采用最近邻分类器，将待识别的图像与数据集中的所有模板进行匹配，进而找出最相似的模板。该方法主要存在的问题是，如果数据集足够大，那么进行匹配的时候，时间消耗很大，而且准确率会有所降低。②主成分分析法(PCA)：简而言之，就是将原始图像库的图像用一个低维的特征表示出来，该特征一般要求能够代表整张图片的90％以上，可以很大程度上减少计算量。然而该算法对外界环境较敏感，而且在识别过程中，初始特征量个数难以事先确定。③支持向量机(SVM)：支持向量机是一种能力很强的分类器，一般情况下，采用此分类器的算法准确率较高。当人脸样本数量较大时，该算法的时间复杂度和空间复杂度都较高。④线性判别式分析(LDA)：其基本思想是将高维的模式样本投影到最佳判别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离。过分强调类间距较大，忽视了类间距较小的特征，最终会造成类间距较小的类别大量的重叠，导致最终的识别准确率不高。
技术实现思路
为了解决上述技术问题，本专利技术公开了一种基于多特征融合的深度学习人脸识别方法。本专利技术所采用的技术方案是：一种基于多特征融合的深度学习人脸识别方法，其特征在于，包括以下步骤：步骤1：初始化权重衰减参数λ、权重稀疏惩罚参数β、权重参数θ、稀疏系数p、隐藏层L1、隐藏层L2和分类数k；步骤2：原始图像特征提取；步骤3：分别将图像像素矩阵进行双线性插值变成M×M大小，并利用高斯金字塔将图像像素降低N倍，变成大小；步骤4：将每个对应的2张人脸串接在一起，组成一个大的人脸矩阵，并将该矩阵变成一个L*1的向量，其中步骤5：训练第一个隐藏层的稀疏编码；步骤6：训练第二个隐藏层的稀疏编码；步骤7：训练softmax分类器；步骤8：利用栈式自编码算法构建一个包含两个隐藏层和一个最终softmax分类器层的栈式自编码网络；步骤9：微调；步骤10：检验栈式自编码是否成功；若是，则通过微调求出来的权重系统θ，对未知样本进行预测，并计算出准确率，流程结束；若否，则直接结束流程。作为优选，初始化参数λ＝3e-3、β＝3，随机初始化权重系统θ，初始化稀疏系数p＝0.3、隐藏层L1＝200、隐藏层L2＝200和分类数k＝40。作为优选，步骤2中所述图像特征提取，包括对原始的ORL人脸库进行Gabor特征提取和对原始的ORL人脸库进行LBP特征提取；所述对原始的ORL人脸库进行Gabor特征提取，是利用2D Gabor基本函数分别对原始的ORL人脸库进行特征提取，并组成一个Gabor的人脸库；所述2D Gabor基本函数定义为：h(x*,y*,σx,σy)＝g(x',y')exp[j2π(u0x*+v0y*)]其中： x ′ = x * c o s ( w ) + y * s i n ( w ) y ′ = - x * s i n ( w ) + y * c o s ( w ) , ]]> g ( x * , y * ) = 1 2 πσ x * σ y * exp { - 1 2 [ ( x * σ x * ) 2 + ( y * σ y * ) 2 ]本文档来自技高网...

【技术保护点】
一种基于多特征融合的深度学习人脸识别方法，其特征在于，包括以下步骤：步骤1：初始化权重衰减参数λ、权重稀疏惩罚参数β、权重参数θ、稀疏系数p、隐藏层L1、隐藏层L2和分类数k；步骤2：原始图像特征提取；步骤3：分别将图像像素矩阵进行双线性插值变成M×M大小，并利用高斯金字塔将图像像素降低N倍，变成大小；步骤4：将每个对应的2张人脸串接在一起，组成一个大的人脸矩阵，并将该矩阵变成一个L*1的向量，其中步骤5：训练第一个隐藏层的稀疏编码；步骤6：训练第二个隐藏层的稀疏编码；步骤7：训练softmax分类器；步骤8：利用栈式自编码算法构建一个包含两个隐藏层和一个最终softmax分类器层的栈式自编码网络；步骤9：微调；步骤10：检验栈式自编码是否成功；若是，则通过微调求出来的权重系统θ，对未知样本进行预测，并计算出准确率，流程结束；若否，则直接结束流程。

【技术特征摘要】
1.一种基于多特征融合的深度学习人脸识别方法，其特征在于，包括以下步骤：步骤1：初始化权重衰减参数λ、权重稀疏惩罚参数β、权重参数θ、稀疏系数p、隐藏层L1、隐藏层L2和分类数k；步骤2：原始图像特征提取；步骤3：分别将图像像素矩阵进行双线性插值变成M×M大小，并利用高斯金字塔将图像像素降低N倍，变成大小；步骤4：将每个对应的2张人脸串接在一起，组成一个大的人脸矩阵，并将该矩阵变成一个L*1的向量，其中步骤5：训练第一个隐藏层的稀疏编码；步骤6：训练第二个隐藏层的稀疏编码；步骤7：训练softmax分类器；步骤8：利用栈式自编码算法构建一个包含两个隐藏层和一个最终softmax分类器层的栈式自编码网络；步骤9：微调；步骤10：检验栈式自编码是否成功；若是，则通过微调求出来的权重系统θ，对未知样本进行预测，并计算出准确率，流程结束；若否，则直接结束流程。2.根据权利要求1中所述的基于多特征融合的深度学习人脸识别方法，其特征在于：初始化参数λ＝3e-3、β＝3，随机初始化权重系统θ，初始化稀疏系数p＝0.3、隐藏层L1＝200、隐藏层L2＝200和分类数k＝40。3.根据权利要求1中所述的基于多特征融合的深度学习人脸识别方法，其特征在于：步骤2中所述图像特征提取，包括对原始的ORL人脸库进行Gabor特征提取和对原始的ORL人脸库进行LBP特征提取；所述对原始的ORL人脸库进行Gabor特征提取，是利用2D Gabor基本函数分别对原始的ORL人脸库进行特征提取，并组成一个Gabor的人脸库；所述2D Gabor基本函数定义为：h(x*,y*,σx,σy)＝g(x',y')exp[j2π(u0x*+v0y*)]其中： x ′ = x * c o s ( w ) + y * s i n ( w ) ...

【专利技术属性】
技术研发人员：熊炜，刘哲，向梦，吴俊驰，刘小镜，徐晶晶，赵诗云，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42