一种基于深度神经网络的特征加权融合人脸识别方法技术

本发明专利技术公开了一种基于深度神经网络的特征加权融合人脸识别方法，包括：步骤一、对采集的人脸图像进行预处理；步骤二、采用离散小波变换对预处理后的人脸图像进行处理，提取小波分解后的4个分量，并且对所述4个分量分别进行特征提取，得到4个特征；步骤三、分别为所述4个特征分配权值，并且进行加权融合；四、将加权融合后的特征作为输入层向量输入深度信念神经网络，经过训练，深度信念神经网络的输出提取后的人脸特征；步骤五、将所述提取后的人脸特征输入Softmax回归函数进行分类，构建分类器；步骤六、利用构建的分类器进行人脸识别。本发明专利技术提供的基于深度神经网络的特征加权融合人脸识别方法，能够提高人脸识别的准确率。

【技术实现步骤摘要】
一种基于深度神经网络的特征加权融合人脸识别方法
本专利技术属于人脸识别
，特别涉及一种基于深度神经网络的特征加权融合人脸识别方法。
技术介绍
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用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脸部识别的一系列相关技术。人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；非接触性：用户不需要和设备直接接触就能获取人脸图像；并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。人脸识别一直是计算机视觉与模式识别领域的研究热点。原始人脸图像具有较高的特征维度，导致识别困难，所以设计有效的人脸图像特征提取器成为传统人脸识别方法的关键。
技术实现思路
本专利技术的目的是提供一本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的特征加权融合人脸识别方法，其特征在于，包括如下步骤：步骤一、对采集的人脸图像进行预处理；步骤二、采用离散小波变换对预处理后的人脸图像进行处理，提取小波分解后的4个分量，并且对所述4个分量分别进行特征提取，得到4个特征；步骤三、分别为所述4个特征分配权值，并且进行加权融合；步骤四、将加权融合后的特征作为输入层向量输入深度信念神经网络，经过训练，深度信念神经网络输出提取后的人脸特征；步骤五、将所述提取后的人脸特征输入Softmax回归函数进行分类，构建分类器；步骤六、利用构建的分类器进行人脸识别。

【技术特征摘要】
1.一种基于深度神经网络的特征加权融合人脸识别方法，其特征在于，包括如下步骤：步骤一、对采集的人脸图像进行预处理；步骤二、采用离散小波变换对预处理后的人脸图像进行处理，提取小波分解后的4个分量，并且对所述4个分量分别进行特征提取，得到4个特征；步骤三、分别为所述4个特征分配权值，并且进行加权融合；步骤四、将加权融合后的特征作为输入层向量输入深度信念神经网络，经过训练，深度信念神经网络输出提取后的人脸特征；步骤五、将所述提取后的人脸特征输入Softmax回归函数进行分类，构建分类器；步骤六、利用构建的分类器进行人脸识别。2.根据权利要求1所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤二中，预处理后的人脸图像A(x,y)的尺寸为m×n，将经过预处理后的人脸图像采用离散小波变换为：其中，j0是任意的开始尺度，Wj(j0，m，n)为尺度j0上的原图像的近似分量，i＝{H,V,D}，H表示水平方向，V表示垂直方向，D表示对角线方向，分别是原图像经过离散小波变换后的水平分量、垂直分量和对角线分量。3.根据权利要求2所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤二中，采用主成分分析法对4个分量进行特征提取，得到的特征分别为：其中，LL为低频分量，LL′为低频分量的特征；LH为水平分量，LH′为水平分量的特征；HL为垂直分量，HL′为垂直分量的特征，HH为对角线分量，HH′为对角线分量的特征；分别为各分量对应的最优投影空间。4.根据权利要求3所述的基于深度神经网络的特征加权融合人脸识别方法，其特...

【专利技术属性】
技术研发人员：仲珩，李昕，褚治广，李万杰，
申请(专利权)人：辽宁工业大学，
类型：发明
国别省市：辽宁,21