一种基于非对称性特征和黎曼流形结构的人脸识别方法技术

本发明专利技术公开了一种基于非对称性特征和黎曼流形结构的人脸识别方法，所述方法根据黎曼流形学习中对称正定矩阵的计算与分析，降低人脸数据的维度，挖掘人脸图像的内在关系和逻辑结构，通过对人脸图像特征的流形表示，由对称正定矩阵的黎曼流形网络结构可以生成更加紧凑和更具有判别性的对称正定矩阵，从而提高人脸识别的准确率和速率，使得人脸图像的内在关系和逻辑结构得以挖掘。系和逻辑结构得以挖掘。系和逻辑结构得以挖掘。

【技术实现步骤摘要】
一种基于非对称性特征和黎曼流形结构的人脸识别方法


[0001]本专利技术涉及图像处理技术，特别是一种基于非对称性特征和黎曼流形结构的人脸识别方法。

技术介绍

[0002]随着互联网技术和5G时代的到来，新一代科技革命的迅猛发展，在自然社会科学方面，如交通运输业、金融行业、监控系统、社会管理以及服务民生等，无时无刻都在以指数形式快速产生大量数据，不但收集的数据数量在增加，数据的维度也在不断增加，同时在这些数据中有着难以被人类视觉所直观发现的内在关系和逻辑结构，这给利用数据带来了极大的困难，因此，研究更好的算法来处理和分析数据的内在关系和逻辑结构是我们刻不容缓的任务。
[0003]在深度学习出现之前，人脸识别的特征提取都是采用传统手工特征提取，该方法不仅识别效率低下，而且网络结构复杂，并不是端到端的网络结构，需要对每一个部分单独进行训练，同时耗费时间长。基于深度学习的方法出现，人脸识别技术是通过网络结构自行学习获取特征进行识别，如R
‑
CNN、YOLO、VGG、GoogLeNet等网络结构，其中，Rr/>‑
C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，包括以下步骤：S1、将经过标记的人脸图像数据集随机划分为训练集和验证集；S2、采用基于GoogLeNet和ResNet网络结构改进的卷积神经网络；S3、采用多个不同卷积核大小堆叠而成构建不同的Inception模块；S4、将获取人脸图像多尺度特征图的网络框架参数进行有监督的微调；S5、由卷积神经网络结构获取的人脸图像多尺度特征图，对其每一张特征图进行平坦化操作并按照规则组合成矩阵形式，对该矩阵进行变换求其协方差矩阵，再经过正则化的方法，使得该协方差矩阵具有对称正定的特性，进而可以将人脸图像多尺度特征图数据转换为流形数据；S6、将转换的流形数据SPD矩阵通过SPDNet网络结构，经过BiMap层、ReEig层以及LogEig层可以生成更加具有判别性并且数据维度显著下降的SPD矩阵，同时还可以使其能够应用到后续其它的全连接层以及softmax层进行人脸识别的输出。2.根据权利要求1所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，所述步骤S2具体为：S2.1、通过3
×
3的卷积核构建一层多通道特征图；S2.2、在输出多通道特征图后接上ReLU激活函数，引入非线性结构。3.根据权利要求1所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，所述步骤S3具体为：S3.1、采用多个不同卷积核大小堆叠而成构建不同的Inception模块；S3.2、每一个Inception模块中，对每一个卷积核获取的特征图按照其深度进行堆叠而成，通过训练N层不同尺度的特...

【专利技术属性】
技术研发人员：朱志宇，臧旭，葛慧林，王伟然，魏莱，张哲卿，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：