一种基于深度特征和稀疏压缩分类的人脸识别方法技术

本发明专利技术公开了一种基于深度特征和稀疏表示分类模型的人脸识别方法，该方法结合了卷积网络与SRC人脸识别，构建图像深度特征提取卷积网络，提取人脸图像在低维空间中的深度特征向量，基于提取到的特征向量构造字典，并采用SRC模型进行人脸识别分类。本发明专利技术结合了深度特征对原图像有极强的表示能力，以及SRC模型的抗干扰能力强、可解释性好、判别能力出众的优势，使得本发明专利技术对人脸识别中的光照变化、图像模糊以及受遮挡情况拥有较好的鲁棒性，弥补了SRC模型人脸识别精度不高的缺陷，能更好地应用于安防领域的身份识别等分支。

【技术实现步骤摘要】
一种基于深度特征和稀疏压缩分类的人脸识别方法
本专利技术涉及数字图像处理及计算机视觉
，尤其涉及一种基于深度特征和稀疏压缩分类的人脸识别方法。
技术介绍
目前，安防领域备受关注，身份验证作为其中一个分支，尤为重要。身份验证主要使用生物特征识别技术，包括虹膜识别、指纹识别、掌纹识别、人脸识别、步态识别等。人脸识别是我们区别他人最为直观的一个特征，目前广泛应用于身份证识别、智能门控系统、天网人脸识别、智能家居系统等。现有的人脸识别方法主要三种，一种是基于传统特征的人脸识别技术，这类方法主要有PCA(PrincipalComponentAnalysis，主成分分析)、LDA(LinearDiscriminantAnalysis，线性判别分析)等，但这类方法由于需要较多的训练样本、过程复杂、识别精度低，很少使用。另一种是基于稀疏表示和协同表示的人脸识别技术，这类方法代表是SRC(SparseRepresentationbasedClassification，稀疏表示分类)，它理论完善、模型可解释能力强、抗干扰能力好，缺点是精度较低，需要的训练样本较少。还有一种是基于深度学习的卷积神经网本文档来自技高网...

【技术保护点】
1.一种基于深度特征和稀疏压缩分类的人脸识别方法，其特征在于，包括以下步骤：步骤101，获取预设数量的人脸图像，并对人脸图像进行预处理，得到第一人脸图像数据集，按一定比例将第一人脸图像数据集分为训练集和测试集，并对每个人脸图像贴上对应的类别标签；步骤102，构建适用于特征提取的图像深度特征提取卷积网络，利用第二人脸图像数据集对所述图像深度特征提取卷积网络进行训练，调整网络超参数，以使图像深度特征提取卷积网络趋于稳定；步骤103，提取第一人脸图像数据集中人脸图像的深度特征向量；步骤104，利用所述深度特征向量构造字典；步骤105，基于构造的字典通过基于稀疏的表示分类SRC模型，对测试集人脸图像进...

【技术特征摘要】
1.一种基于深度特征和稀疏压缩分类的人脸识别方法，其特征在于，包括以下步骤：步骤101，获取预设数量的人脸图像，并对人脸图像进行预处理，得到第一人脸图像数据集，按一定比例将第一人脸图像数据集分为训练集和测试集，并对每个人脸图像贴上对应的类别标签；步骤102，构建适用于特征提取的图像深度特征提取卷积网络，利用第二人脸图像数据集对所述图像深度特征提取卷积网络进行训练，调整网络超参数，以使图像深度特征提取卷积网络趋于稳定；步骤103，提取第一人脸图像数据集中人脸图像的深度特征向量；步骤104，利用所述深度特征向量构造字典；步骤105，基于构造的字典通过基于稀疏的表示分类SRC模型，对测试集人脸图像进行人脸识别。2.根据权利要求1所述的人脸识别方法，其特征在于，步骤101包括：步骤1011，选取不同身份的人，从网上下载每个人预设数量的人脸图像；步骤1012，对所述人脸图像进行预处理，将人脸图像大小缩放到统一尺度，构成第一人脸图像数据集；步骤1013，将所述预处理完成的第一人脸图像数据集按一定比例分为训练集和测试集。3.根据权利要求1所述人脸识别方法，其特征在于，步骤102包括：步骤1021，基于残差卷积网络构建所述图像深度特征提取卷积网络；步骤1022，获取一定人脸图像，对人脸图像进行预处理，将人脸图像大小缩放到统一尺度，并且对人脸图像进行翻转、剪裁、增扩数据集，构成第二人脸图像数据集；步骤1023，将增扩后的第二人脸图像数据集输入到所述图像深度特征提取卷积网络对网络进行训练，调整网络超参数，直到网络性能趋于稳定后训练结束。4.根据权利要求1所述的人脸识别方法，其特征在于，步骤102包括：基于残差卷积网络构建所述图像深度特征提取卷积网络，所述残差卷积网络包括一个输入模块，以及依...

【专利技术属性】
技术研发人员：余化鹏，谢浩，
申请(专利权)人：成都大学，成都蓝山华鹏智能科技有限责任公司，
类型：发明
国别省市：四川,51