基于多维尺度变换网络与分块加权法的欠样本人脸识别方法技术

本发明专利技术公开了一种基于多维尺度变换网络与分块加权法的欠样本人脸识别方法，步骤如下：首先，对由单张人脸图像构成的样本集中每一张图像进行分块处理，获得新的样本数据集；然后，利用新的样本数据集学习多维尺度变换网络的滤波器参数，并利用滤波器参数提取样本图像的特征表达，并构建对应的特征库；接着，通过调用滤波器参数，对分块后的测试图像数据集进行特征提取，并利用加权的方式对所提取的特征进行合成后，再与特征库中的特征进行匹配处理；最后，利用匹配结果，获得最终测试人脸图像的分类识别信息。该发明专利技术用非监督特征提取网络框架准确提取人脸图像特征，进而提高人脸识别的准确率，为公共安全的建设打下坚实基础。

Undersample Face Recognition Based on Multidimensional Scale Transform Network and Block Weighting Method

【技术实现步骤摘要】
基于多维尺度变换网络与分块加权法的欠样本人脸识别方法
本专利技术涉及深度学习应用
，具体涉及一种基于多维尺度变换网络与分块加权法的欠样本人脸识别方法。
技术介绍
近年来视频监控在全国大中城市普及，并已广泛应用于社会治安防控体系建设中，并成为公安机关侦查破案的有力技术手段。特别是在群体事件、重特大案件及两抢案件中，视频监控中获取的证据线索对于案件的快速侦破起到关键作用。由于拍摄时间、空间以及环境的影响，所能拍摄的人脸图像是多样化的。事实证明，利用每人一张人脸图像样本来识别不同光照、不同表情，甚至不同遮挡因素下的人脸图像，有利于对罪犯的准确定位跟踪，进而维护公共的安全。但是，具有标签的人脸图像样本数量往往是有限，甚至有时只有一张证件照能够用于人脸识别的模型训练。这就给人脸识别带来了极大的困难。近年来，人工智能领域已经被提到国家重点建设的范围。这预示着人工智能与相关行业的结合是我国朝着智能化方向发展的必然趋势，对推动行业朝智能化、自动化方面发展具有重要意义。人工智能领域中最主要的是针对不同的行业任务，设计相应的深度学习网络模型。随着计算机算力的提高，网络训练的难度大大减低，网络预测精本文档来自技高网...

【技术保护点】
1.一种基于多维尺度变换网络与分块加权法的欠样本人脸识别方法，其特征在于，所述的人脸识别方法包括：S1、多维尺度变换网络模型设计步骤：通过将卷积深度网络的卷积核替换为多维尺度变换滤波器，构建基于多维尺度变换网络的非监督人脸特征提取模型；S2、网络训练步骤：对由单张人脸图像构成的样本集中的每一张图像进行不重叠的分块处理，获得多个分块区域数据；然后，利用分块区域数据学习多维尺度变换网络中的滤波器参数，并利用滤波器参数提取每一个分块后图像区域的特征表达，并构建对应的特征库；S3、人脸识别预测步骤：首先，对测试图像进行不重叠的分块操作；然后对于每一块区域，利用训练完毕的非监督人脸特征提取模型进行特征提...

【技术特征摘要】
1.一种基于多维尺度变换网络与分块加权法的欠样本人脸识别方法，其特征在于，所述的人脸识别方法包括：S1、多维尺度变换网络模型设计步骤：通过将卷积深度网络的卷积核替换为多维尺度变换滤波器，构建基于多维尺度变换网络的非监督人脸特征提取模型；S2、网络训练步骤：对由单张人脸图像构成的样本集中的每一张图像进行不重叠的分块处理，获得多个分块区域数据；然后，利用分块区域数据学习多维尺度变换网络中的滤波器参数，并利用滤波器参数提取每一个分块后图像区域的特征表达，并构建对应的特征库；S3、人脸识别预测步骤：首先，对测试图像进行不重叠的分块操作；然后对于每一块区域，利用训练完毕的非监督人脸特征提取模型进行特征提取，获得对应的特征表达；再次，利用距离匹配算法，搜索特征库中与提取的特征最相似的目标；最后，利用加权方法，对测试图像的每一块区域的识别结果进行加权融合，获得整张人脸图像的识别结果。2.根据权利要求1所述的基于多维尺度变换网络与分块加权法的欠样本人脸识别方法，其特征在于，所述的步骤S1中多维尺度变换网络中的滤波器设计过程如下：S11、假设有n个样本x＝{x1,x2,...,xn}，两两之间的距离构成的距离矩阵为：di,j＝||xi-xj||2(2)S12、构建内积矩阵B中对应的第i行第j列元素计算公式如下：S13、对内积矩阵B进行分解，即B＝ZΣZT，其中Σ＝diag(λ1,λ2,...,λn)是矩阵B特征值所构成的对角矩阵，且λ1≥λ2≥...≥λn，Z表示每个特征值对应的特征向量所构成的矩阵；通过贡献累计的方式，选取前p个特征值直到满足T为设置的阈值，并选取对应的特征矩阵，构成重构矩阵其中Zp表示选取的前p个特征值对应的特征向量所组成的矩阵，Σp为前p个特征值组成的对角矩阵；S14、利用重构矩阵F对样本x进行投影，获得样本在低维空间下的特征表达。3.根据权利要求1所述的基于多维尺度变换网络与分块加权法的欠样本人脸识别方法，其特征在于，所述的步骤S1中多维尺度变换网络中的滤波器核函数如下：其中，xi,xj∈X，X为输入的数据空间，Y为映射的结果空间，为从空间X到空间Y的映射，<.>为内积计算。4.根据权利要求1所述的基于多维尺度变换网络与分块加权法的欠样本人脸识别方法，其特征在于，所述的步骤S2中，输入的样本集由N张不同类型的人脸图像组成，图像的大小为m×n，多维尺度变换网络包括两级滤波层以及一级输出层，每个滤波层包含有多个滤波器，根据输入样本对滤波器参数进行调节，获得稳定的人脸特征提取的滤波器参数；输出层根据第二级滤波层的输出，对人脸特征进行归类表达。5.根据权利要求4所述的基于多维尺度变换网络与分块加权法的欠样本人脸识别方法，其特征在于，所述的步骤S2过程如下：S21、图像分块处理：对每张图像进行分块，每张图像分成mdf×ndf的图像块...

【专利技术属性】
技术研发人员：谢巍，余孝源，周延，陈定权，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44