基于CSGF(2D)制造技术

本发明专利技术公开了一种基于CSGF(2D)

【技术实现步骤摘要】
基于CSGF(2D)2PCANet卷积网络的人脸识别方法
：本专利技术属于机器视觉领域，特别涉及一种基于CSGF(2D)2PCANet卷积网络的人脸识别方法。
技术介绍
：人脸身份识别技术是利用计算机分析人脸的图像或视频流，从中提取每个人脸所蕴含的特征，并通过这些提取的特征识别身份的一种技术。近年来，人脸身份识别技术得到较快的发展，并取得了大量的研究成果。目前，最主要的人脸身份识别方法可分为几类：基于几何特征的人脸身份识别、基于相关匹配的人脸身份识别、基于子空间的人脸身份识别、基于统计的人脸身份识别、基于弹性匹配的人脸身份识别、基于神经网络的人脸身份识别和基于三维模型的人脸身份识别等。人脸身份识别在理论研究和实际应用中都有十分重要的价值。近年来，虽然人脸身份识别在理论研究中积累了宝贵的经验,但在实际的应用中，由于人脸的表情、姿态、光照强度、遮挡物、噪声变化等问题使得人脸身份识别的鲁棒性受到很大的影响，因而人脸身份识别在实际应用中面临诸多的挑战。本专利技术为了克服上述人脸身份识别现有技术中的问题，提出了一种基于CSGF(2D)2PCANet卷积网络的人脸识别方法。此方法不仅克服了CNN耗时、标签数目需求量大及Gabor滤波数据冗余、选取方向时离散无旋转不变性的缺点，而且吸取了深度模型和环形对称Gabor滤波器(CircularSymmetricGaborFilter,CSGF)的优点，可以提取数据中更加抽象的特征，对光照、表情、遮挡等因素具有鲁棒性。
技术实现思路
：本专利技术的主要目的是提出一种基于CSGF(2D)2PCANet卷积网络的人脸识别方法，具有旋转不变性，在各个方向都具有相同的滤波作用，能够高效地进行人脸识别。为了实现上述目的，本专利技术提供如下技术方案，包含训练阶段和测试阶段。基于CSGF(2D)2PCANet卷积网络的人脸识别方法训练阶段技术方案如下：步骤一、对训练图像进行预处理，包括将图像转化为灰度图、调整图像尺寸为p×q；步骤二、将训练样本依次送入CSGF(2D)2PCANet模型的第一个特征提取层，获取第一个特征提取层的CSGF特征图像；具体地，令表示人脸图像训练集，其中N为训练集中的样本数，表示一张人脸样本图像；将每个样本Ai依次送入第一个特征提取层，首先进行CSGF，通过降采样，得到最终的CSGF特征图像[1]，记为其中s是特征图像降采样后的像素个数，t是CSGF的个数，t＝5；步骤三、对每个CSGF特征图像Bi，扫描提取大小相同的图像块(m×n个l1×l2大小的图像块)，对图像块采取去均值操作，获得其中表示Bi中第j个去均值图像块；所有CSGF特征图像经过相同的处理之后，可得到样本矩阵为了方便描述，用连续的序号表示I中所有的图像块并重记为步骤四、利用基于(2D)2PCA的特征投影向量分析方法[2]，同时从行、列两个方向提取样本矩阵I的最优投影轴，作为第一层特征提取阶段卷积滤波器N1为第一层卷积滤波器的个数；步骤五、将步骤四学习到的卷积滤波器与训练集人脸原始图像分别卷积，得到第一层的输出特征图(N×N1个特征图其中)；步骤六、将步骤五得到的每个训练样本Ai对应的特征图作为第二个特征提取层输入，利用与步骤三至步骤五同样的特征学习方法，依次学习第二层的(人脸区分性特征)卷积滤波器N2为第二层卷积滤波器的个数；并用卷积滤波器与步骤五得到的特征图分别卷积，得到N×N1×N2个第二层特征图其中步骤七、对步骤六中得到的每个训练样本Ai对应的第二层特征图二值哈希编码得到二值化特征图具体地，首先利用二值哈希函数H(·)将二值化，其中，当输入大于0时，H(·)值为1，当输入小于或等于0时，H(·)值为0；然后将所有由第二层的输入(第一层中由训练样本Ai生成的第n个特征图)二次卷积得到的N2个二值化特征图作为一组，将这N2个二值化特征图同一像素位置的二进制数组成的二值向量并转化为十进制数，从而得到一张整数值输出图其中i∈[1,N],n∈[1,N1]；因此单个样本Ai最终生成N1个二值特征图所有样本最终得到N×N1个二值特征图步骤八、针对每个二值特征图其中i∈[1,N],n∈[1,N1]，以滑动窗的形式取[b1b2]大小的块,块的重叠比例为α,计算每个块的统计直方图，记为然后将所有由单个样本Ai生成的N1个二值特征图的局部区域的统计直方图拼接起来，得到人脸图像Ai的最终输出特征步骤九、将步骤八得到的所有样本的输出特征送入LinearSVM分类器中训练，获得基于CSGF(2D)2PCANet的最优LinearSVM的人脸身份识别分类模型。基于CSGF(2D)2PCANet卷积网络的人脸识别方法的测试阶段技术方案如下：步骤一：对待测试人脸图像B进行预处理，包括将图像转化成灰度图、调整图像尺寸为p×q；步骤二：与训练阶段类似，将待测试人脸图像B与训练阶段第一个特征提取层学习到的第一层卷积滤波器分别卷积得到第一层的特征图步骤三：与训练阶段类似，步骤二输出的特征图作为第二个特征提取层原始输入，与训练阶段第二个特征提取层学习到的卷积滤波器分别卷积得到第二层的输出特征图步骤四：与训练阶段类似，对步骤三得到的特征图做二值哈希编码，统计局部区域直方图，并将所有局部区域的统计直方图拼接起来，作为人脸图像B的最终提取到的特征步骤五、将步骤四得到的图像最终输出特征送入训练好的LinearSVM分类器中进行分类，获得分类结果，即人脸识别结果。与现有的技术相比，本专利技术具有以下有益效果：1、本方法采取无监督学习方式，不仅克服了监督学习方式需要大量标签数据，而且需要繁重的迭代学习的缺点，大大减少了运算量，提高了系统的效率；2、本方法采用深度网络结构的特征学习方法，取代了手工提取特征,吸取了深度学习网络能够从数据中自动学习到有效的区分性特征表达的优点，有效提高了自动人脸身份识别的准确率；3、本方法提出的网络结构具有平移、旋转不变性的特点。结合CSGF和(2D)2PCA卷积滤波器的学习，CSGF降低了数据冗余，节省了大量的计算时间，且对各个方向具有相同的滤波作用，具有旋转不变性，能保持各方向下的特征，同时CSGF使得模型具有良好的局部特征表达能力，并且对光照、表情、遮挡、姿态和噪声等变化具有较好的鲁棒性，有效提高了复杂环境下人脸身份识别的准确率。本专利技术具有较高的鲁棒性，达到了较高的人脸身份识别精度。因此，本专利技术在人脸身份识别领域有广泛的应用前景。附图说明：图1基于CSGF(2D)2PCANet卷积网络的人脸识别方法特征学习框架；具体实施方式为了更好的说明本专利技术的目的、具体步骤以及特点，下面结合附图,以AR人脸库[3]为例，对本专利技术作进一步详细的说明：本专利技术提出的一种基于CSGF(2D)2PCANet卷积网络的人脸识别方法，其中CSGF(2D)2PCANet深度卷积模型如图1所示。CSGF(2D)2PCANet由两个特征提取层和一个非线性输出层组成，特征提取层的卷积滤波器由CSGF和(2D)2PCA学习得到，用于卷积原始输入图像提取特征，非线性输出层包括二值哈希和局部直方图计算操作，用于进一步计算出最终的特征。本专利技术提出的一种基于CSGF(2D)2PCANet卷积网络的人脸识别方法，包含训练阶段和测试阶段。基于CSGF(2D)2PCANet本文档来自技高网...

【技术保护点】
基于CSGF(2D)

【技术特征摘要】
1.基于CSGF(2D)2PCANet卷积网络的人脸识别方法，包含训练阶段和测试阶段。2.根据权利要求1所述的基于CSGF(2D)2PCANet卷积网络的人脸识别方法，训练阶段包括下列步骤：步骤一、对训练图像进行预处理，包括将图像转化为灰度图、调整图像尺寸为p×q；步骤二、将训练样本依次送入CSGF(2D)2PCANet模型的第一个特征提取层，获取第一个特征提取层的CSGF特征图像；具体地，令表示人脸图像训练集，其中N为训练集中的样本数，表示一张人脸样本图像；将每个样本Ai依次送入第一个特征提取层，首先进CSGF，通过降采样，得到最终的CSGF特征图像，记为其中s是特征图像降采样后的像素个数，t是CSGF的个数，t＝5；步骤三、对每个CSGF特征图像Bi，扫描提取大小相同的图像块(m×n个l1×l2大小的图像块)，对图像块采取去均值操作，获得其中表示Bi中第j个去均值图像块；所有CSGF特征图像经过相同的处理之后，可得到样本矩阵为了方便描述，用连续的序号表示I中所有的图像块并重记为步骤四、利用基于(2D)2PCA的特征投影向量分析方法，同时从行、列两个方向提取样本矩阵I的最优投影轴，作为第一层特征提取阶段卷积滤波器N1为第一层卷积滤波器的个数；步骤五、将步骤四学习到的卷积滤波器与训练集人脸原始图像分别卷积，得到第一层的输出特征图(N×N1个特征图)其中步骤六、将步骤五得到的每个训练样本Ai对应的特征图作为第二个特征提取层输入，利用与步骤三至步骤五同样的特征学习方法，依次学习第二层的(人脸区分性特征)卷积滤波器N2为第二层卷积滤波器的个数；并用卷积滤波器与步骤五得到的特征图分别卷积，得到N×N1×N2个第二层特征图其中步骤七、对步骤六中得到的每个训练样本Ai对应的第二层特征图二值哈希编码得到二值化特征图具体地，首先利用二值哈希函数H(·)将二值化，其中，当输入大于0时，H(·)值为1，当输入小于或等于0时，H(·)值为0；然后将所有由第二层的输入(第一层中由训练样本Ai生成的第n个特征图)二次卷积得到的N2个二值化特征图作为一组，将这N2个二值化特征图同一像素位置的二进制数组成的二值向量并转化为十进制数，从而得到一张整数值输出图其中i∈[1,N],n∈[1,N1]；因此单个样本Ai最终生成N1个二值特征图所有样本最终得到N×N1个二值特征图步骤八、针对每个二值特征图其中i∈[1,N],n∈[1,N1]，以滑动窗的形式取[b1b2]大小的块,块的重叠比例为α,计算每个块的统计直方图，记为然后将所有由单个样本Ai生成的N1个二值特征图的局部区域的统计直方图拼接起来，得到人脸图像Ai的最终输出特征步骤九、将步骤八得到的所有样本的输出特征送入LinearSVM分类器中训练，获得基于CSGF(2D)2PCANet的最优LinearSVM的人脸身份识别分类模型。3.根据权利要求1所述的基于CSGF(2D)2PCANet卷积网络的人脸识别方法，测试阶段包括下列步骤：步骤一、对待测试人脸图像B进行预处理，包括将图像转化成灰度...

【专利技术属性】
技术研发人员：蒋敏，陈敏，孔军，鹿茹茹，侯健，孙金花，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32