一种基于卷积神经网络特征的跨质量人脸识别方法技术

本发明专利技术提出了一种基于卷积神经网络特征的跨质量人脸识别方法，该方法首先获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；其次设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习得到一个特征向量；再次对测试图像块的特征向量和训练图像块的特征向量进行线性表示；然后对低质量测试图像块的特征表示和高分辨率训练图像块的特征表示进行相似性度量，并输出每一个测试图像块的类别；最后对于一张人脸图像分为S个人脸关键点的图像块集合，对每一个关键点位置的图像块分类结果进行投票，将图像分给获取票数最多的那一个类，输出最终低质量测试图像的类别。

A cross quality face recognition method based on convolutional neural network features

【技术实现步骤摘要】
一种基于卷积神经网络特征的跨质量人脸识别方法
本专利技术涉及一种图像识别方法，具体的说是一种基于卷积神经网络特征的跨质量人脸识别方法，属于模式识别和生物特征识别

技术介绍
人脸识别技术是基于计算机、图像处理及模式识别的一项热门的研究课题。一直以来，随着人脸识别在各个社会领域的广泛应用，如刑事案件鉴定、公安系统、监控等，人脸识别技术得到了越来越多的关注。在人脸识别过程中，存在因人脸图像质量不一致导致识别精度不高的问题，有时候很难完成识别工作。现有的人脸检测方法：[1]X.Cao,Y.Wei,F.Wen,J.Sun,“Facealignmentbyexplicitshaperegression”Int.J.Computer.Vis.107(2)(2014),pp.177–190.现有的优化求解方法：[2]E.Hale,W.Yin,Y.Zhang,“Fixed-pointcontiuationforl1-minimization:methodologyandconvergence”,SIAMJ.Optim.1本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络特征的跨质量人脸识别方法，其特征在于，包括以下步骤：/nS1、将低质量人脸图像上采样到跟高质量图像一样的分辨率，通过人脸特征点检测技术获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；转至步骤S2；/nS2、设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习，得到一个特征向量；转至步骤S3；/nS3、运用加权稀疏编码正则的回归表示方法对低质量测试图像块的特征向量和高质量训练图像块的特征向量进行线性表示；转至步骤S4；/nS4、对低质量测试图像块的特征向量的线性表示和高质量训练图像块的特征向量的线性表示进行相似性度量，并...

【技术特征摘要】
1.一种基于卷积神经网络特征的跨质量人脸识别方法，其特征在于，包括以下步骤：
S1、将低质量人脸图像上采样到跟高质量图像一样的分辨率，通过人脸特征点检测技术获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；转至步骤S2；
S2、设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习，得到一个特征向量；转至步骤S3；
S3、运用加权稀疏编码正则的回归表示方法对低质量测试图像块的特征向量和高质量训练图像块的特征向量进行线性表示；转至步骤S4；
S4、对低质量测试图像块的特征向量的线性表示和高质量训练图像块的特征向量的线性表示进行相似性度量，并输出每一个低质量测试图像块的类别；转至步骤S5；
S5、对于一张人脸图像分为S个人脸关键点的图像块集合，对每一个关键点位置的图像块分类结果进行投票，将图像分给获取票数最多的那一个类，输出最终低质量测试图像的类别。


2.根据权利要求1所述一种基于卷积神经网络特征的跨质量人脸识别方法，其特征在于，步骤S2的具体方法如下：
设计一种深度卷积神经网络，该神经网络由10个卷积层，10个归一化层和9个激活层组成；
对于每一个特征点图像块，其块大小为32*32，通过卷积神经网络的学习得到一个1*128的特征向量。


3.根据权利要求2所述一种基于卷积神经网络特征的跨质量人脸识别方法，其特征在于，步骤S3的具体方法如下：
S301、对于一个低质量测试图像块特征向量y，低质量测试图像块运用低质量训练字典样本图像上对应位置的图像块特征向量进行如下线性表示，
y＝x1A1+x2A2+...xiAi+...+xNAN+E
其中，Ai表示第i个低质量训练字典样本图像上对应位置的图像块特征向量，且i＝{1,2,...,N}，N表示低质量训练字典样本图像的个数，xi表示系数向量x中第i个元素对应的系数，E表示残差项；转至步骤S302；
S302、运用加权稀疏编码正则的回归表示方法获得高质量训练图像块在高质量训练字典样本图像上对应位置的图像块集合的线性表示。


4.根据权利要求3所述一种基于卷积神经网络特征的跨质量人脸识别方法，其特征在于，在步骤S301中，低质量测试图像块的表示向量求解方法如下所示：
首先，定义对于每一个低质量测试图像块，运用加权稀疏编码正则的回归表示方法获得其在低质量训练样本图像块的线性表示，将其回归模型表示为，



其中表示L2范数，λ是正则化参数，W是给定的局部相似矩阵，x表示低质量测试图像块的系数向量；
其次，为了求解方便，需要引入辅助变量z将以上模型表示为，s.t.z＝Wx；
最后，通过引入两个辅助变量P和p，上式的增广拉格朗日函数表示为，



其中μ是一个惩罚参数且μ>0，P、p均是拉格朗日乘子，tr(·)是迹运算，T是矩阵的转秩，F是矩阵的Frobenius范数。


5.根据权利要求4所述一种基于卷积神经网络特征的跨质量人脸识别方法，其特征在于，增广拉格朗日函数中参数的具体优化过程如下：
<a>z的优化



zk+1的解可以通过软阈值方法得到，其中k表示第k步的迭代；
<b>x的优化



其中H＝[vec(A1),vec(...

【专利技术属性】
技术研发人员：汪焰南，高广谓，吴松松，邓松，张皖，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32