一种基于深度信赖网络的超分辨率人脸识别方法技术

一种基于深度信赖网络的超分辨率人脸识别方法，涉及人脸识别技术领域。本发明专利技术从认知的角度出发，认为相互对应的高低分辨率人脸图像存在着内在本质的关联。而以往的研究表明，采用线性近似的方法来表达这种内在的关联效果受到线性近似地制约。因此认为这种内在的关联是非线性的。鉴于人工神经网络在非线性分类问题上的出色表现，本发明专利技术采用神经网络算法来捕获姿态变化下相互对应的高低分辨率人脸图像的非线性关联。理论研究和神经生理学的研究表明，要构建一个智能的处理系统，需要构建深度的结构，如多层非线性处理单元构建的系统。本发明专利技术利用深度信赖网络（deep?belief?networks）来挖掘相互对应的高低分辨率人脸图像存在的共有的非线性结构。

【技术实现步骤摘要】
本专利技术涉及人脸识别
，涉及到一种基于深度信赖网络的超分辨率人脸识别方法。
技术介绍
人脸识别是一种重要的生物认证技术，是计算视觉和模式识别最重要的问题之一。近几十年来，研究人员提出了大量的方法，并已广泛用于视频监控等安全保障系统中。但是，由于距离和硬件条件等的限制，在大场景视频监控系统中拍摄的感兴趣人脸图像分辨率往往比较低，从而降低了人脸识别的性能。如何在低分辨率条件下提高识别效果，是目前人脸识别需要解决的问题。图像超分辨率(super-resolution, SR)是指利用某种算法从一幅或者一系列低分辨率(low resolution, LR)图像中获得一幅或者一系列高分辨率(high resolution, HR)·图像的技术。因此，人脸图像超分辨率算法很自然地被作为提高低分辨率图像人脸识别效果的解决方案之一。申请号为CN200810096054. 7的专利单帧图象超分辨方法，首先对图象进行分析，通过频率混叠参数判定是否采用单帧频域解混叠超分辨方法进行处理；然后通过傅立叶变换、频域解混叠算法及傅立叶反变换，丰富图象的纹理与细节，提高图象的清晰度、对比度和分辨率，并抑制振铃假象。此专利只适用于卫星遥感图象处理、医学图象和地震图象等图像的重建并非为了提高识别能力而设。这类方案将识别过程分解为人脸图像超分辨率重建和高分辨率人脸识别两步进行。然而人脸图像超分辨率重建的目标是尽可能地恢复高分辨率人脸图像的细节特征，以提高视觉效果，而影响人脸识别性能的特征可能既包括全局特征，又包括细节特征，两个步骤的目标不一致，导致最终的识别效果受到限制。基于以上原因，B. K. Gunturk 和 A. U. Batur 在 “Image Processing” (IEEE Trans. 2003, vol. 12，no. 5，pp. 597-606)发表的 “Eigen-face-domainsuper-resolution for facerecognition”等人提出了在特征域进行人脸超分辨率重建的方法，该方法超分辨率重建得到的特征可以直接用于人脸识别。该方法提供了一种很好的直接利用超分辨率算法进行人脸识别的框架，但计算复杂度较高，且该方法使用的概率模型对数据的一致性要求较高，当人脸姿态变化较大，算法的效果大幅度下降。B. Li, H. Chang, S. Shan and X. Chen在“SignalProcessing Letters，，( IEEE, 2010，vol. 17, no. 1，pp. 20-23)发表的“Low-resolution facerecognition via coupled locality preservingmappings” 提出了局部保持的f禹合变换算法，利用局部保持对数据进行限定，耦合高低分辨率图像，从高低分辨率图像中抽取耦合特征。在姿态变化较大时，高低分辨率图像的局部保持性质差异较大，大大影响了其算法效果。专利申请号CN200910207562. 2的专利一种基于典型相关分析空间超分辨率的人脸识别方法，在典型相关分析变换得到的相关子空间内利用邻域重构获得测试低分辨率人脸图像对应的高分辨率人脸图像识别特征，最后利用此特征识别人脸。该方法在特征提取上仍然采用的是线性提取因子，其典型相关分析也是一种线性的变换方法，当存有较大姿态变化时，该方法性能大大降低。
技术实现思路
本专利技术克服上述现有技术的缺点，提出了一种基于深度信赖网络的超分辨率人脸识别方法。为了达到上述目的，本专利技术采用的技术方案是本专利技术从认知的角度出发，认为相互对应的高低分辨率人脸图像存在着内在本质的关联。而以往的研究表明，采用线性近似的方法来表达这种内在的关联效果受到线性近似地制约。因此认为这种内在的关联是非线性的。鉴于人工神经网络在非线性分类问题上的出色表现，本专利技术采用神经网络算法来捕获姿态变化下相互对应的高低分辨率人脸图像的非线性关联。理论研究和神经生理学的研究表明，要构建一个智能的处理系统，需要构建深度的结构，如多层非线性处理单元构建的系统。对于构建深度网络，BP (back-propagation)算法是一种常用的神经网络算法。但是当网络的层数增加时，BP算 法受到算法的局限，不能得到较好的结果。Hinton等人提出了快速地学习深度多层结构的概率模型的神经网络算法，将之命名为深度信赖网络(de印belief networks)。这种类型的神经网络不仅能作为分类器，而且可以表示非线性特征。基于此，本专利技术利用深度信赖网络(deep belief networks)来挖掘相互对应的高低分辨率人脸图像存在的共有的非线性结构。附图说明图I(a)是波尔兹曼机。图I(b)是受限的波尔兹曼机。图2Ca)是贪婪算法求得的受限的玻尔兹曼机。图2(b)是深度信赖网络。图2(C)是受限的波尔兹曼机构成的深度信赖网络。图3(a)是UMIST图库中训练高分辨率56*46的人脸图像。图3(b)是训练低分辨率14*11的人脸图像。图3(C)是测试低分辨率14*11的人脸图像。图4是超分辨率人脸识别算法示意图。具体实施例方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实例，对本专利技术做进一步详细说明。这些实例仅仅是说明性的，而并非对本专利技术的限制。本专利技术提出了一种基于深度信赖网络的超分辨率人脸识别方法，该方法可以包括a.受限的波尔兹曼机。受限的波尔兹曼机是一种马尔科夫随机场或者一种双层图结构，一种特殊结构的波尔兹曼机。如图I所示，图(a)为一般的波尔兹曼机，波尔兹曼机为一种满秩的双层图结构，可将下层称为可视层，上层称为隐层。(b)为受限的波尔兹曼机，受限的波尔兹曼机与一般的波尔兹曼机相比，不允许可视层各点之间或者是隐层各点之间存在关联。受限的波尔兹曼机是一种特殊的神经网络模型，具有对称的连接权系数。网络由可视单元V e {0，1}D和隐层单元he {0，1}F构成。可视单元由输入、输出部分组成。每个单元节点只取I或O两种状态。I代表接通或接受,O表示断开或拒绝。当神经元的输入加权和发生变化时，神经元的状态随之更新。各单元之间状态的更新是异步的。可用概率来描述。状态Iv，h}的能量方程可以定义为E (V, h; Θ ) =-vTffh-bTv-aTh(I)其中Θ ={ff, a, b}为参数，W可视层和隐层之间对称的连接权系数，a和b为基矩阵。可见向量与隐层向量的联合分布矩阵为本文档来自技高网...

【技术保护点】
一种基于深度信赖网络的超分辨率人脸识别方法，其特征在于包含以下步骤：1）对低分辨率图像进行最近邻插值、双线性插值或者双三次插值，使得高低分辨率图像的维度一致；2）将维度一致的带有姿态差异的高低分辨率人脸图像灰度归一到(0,1)之间，并作为深度信赖网络的可视向量v输入到网络中，深度信赖网络由多层的受限的波尔兹曼机构成；所述的受限的波尔兹曼机是一种特殊的神经网络模型，具有对称的连接权系数，网络由可视单元v∈{0,1}D和隐层单元h∈{0,1}F构成；3）然后，训练深度信赖网络；4）将经过最近邻插值、双线性插值或者双三次插值的测试低分辨率图像输入到深度信赖网络，由深度信赖网络给出最终的识别结果。

【技术特征摘要】
1.一种基于深度信赖网络的超分辨率人脸识别方法，其特征在于包含以下步骤 1)对低分辨率图像进行最近邻插值、双线性插值或者双三次插值，使得高低分辨率图像的维度一致； 2)将维度一致的带有姿态差异的高低分辨率人脸图像灰度归一到(O，I)之间，并作为深度信赖网络的可视向量V输入到网络中，深度信赖网络由多层的受限的波尔兹曼机构成；所述的受限的波尔兹曼机是一种特殊的神经网络模型，具有对称的连接权系数，网络由可视单元V e {0，1}D和隐层单元h e {0，1}F构成； 3)然后,训练深度信赖网络； 4)将经过最近邻插值、双线性插值或者双三次插值的测试低分辨率图像输入到深度信赖网络，由深度信赖网络给出最终的识别结果。2.如权利要求I所述的超分辨率人脸识别方法，其特征在于所述的步骤2)是指带有姿态差异的高低分辨率人脸图像其分辨率为hXw，将其展开成为一行长度为hXw的向量，并将其灰度强度归一到(O，...

【专利技术属性】
技术研发人员：樊鑫，林妙真，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：