本发明涉及一种基于深度神经网络的人脸识别方法。
背景技术：
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的一系列相关技术，通常也叫做人像识别、面部识别。传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。因而，鲁棒的人脸特征表示在人脸识别上至关重要。
人脸识别是计算机视觉和机器学习最典型的课题，当前的人脸识别技术主要被应用到了以下几个方面：
(1)刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。
(2)证件验证在许多场合(如海口，机场，机密部门等)证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。
(3)视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。
(4)入口控制，入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。
(5)表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。
一般来说，传统的人脸识别系统有四大模块：人脸检测，人脸对齐、特征提取和身份鉴定。众所周知，人脸识别最大的挑战就是人与人之间的外貌差别太小，和人脸内部的外观变化，比如发型、表情、年龄和光照的改变。在过去的10年里，人脸表示大多基于人工编码的局部描述和基于浅层学习的表示模型。随着深度学习技术的快速发展，人脸表示也变得更加有效，特别是在实际应用的复杂场景中。与之前的人工编码方法比较，深度学习的人脸识别是以数据驱动的方式来学习的，它可以保证更好的验证性能。
在过去的几十年里，很多人脸识别方法是基于几何特征，如gabor小波，局部二元模式(lbp)及其高尺寸变异，尺度不变特征变换(sift)，方向梯度直方图(hog)，定向边值模式，局部量化模式(lqp)等，然而，设计一个有效的特征描述器需要大量的专业知识和工作。
除了基于集合特征的人脸识别方法外，基于学习的人脸识别方法也倍受欢迎。基于过滤器学习的方法最大化了对人脸的鉴别能力，它在许多预先训练的对象筛选器中对人脸进行识别，基于编码学习的方法被用来提高人脸识别的鲁棒性。
最近，人脸特征被中级或高级语义信息来进行描述，例如，汤姆和彼得分类器利用大量的人脸分类的输出分数对具有高级语义的人脸进行编码。与深度学习方法不同，上述方法仍然是浅层模型，主要依靠人脸的几何特征。
deepface是应用深度学习卷积神经网络进行人脸识别的早期尝试，deepface有四大亮点：1)基于3d模型的大姿态人脸图像对齐2)一个拥有4000个身份的400万人脸图像的大规模的训练集3)可以在每个位置学习不同卷积核的局部连接层卷积神经网络4)基于深度卷积网络度量的暹罗学习网络结构。
deepid，deepid2和deepid2+是深层网络演化的例子。在deepid中，25层的卷积神经网络为每个人脸图片块单独训练。此外，联合贝叶斯的学习方法可以得到鲁棒的人脸相似度量。最后，25个深度网络集合在labeledfaceinthewild(lfw)数据集上实现了97.45％的识别率。deepid2引进识别和验证的联合损失后，在lfw数据集上将识别率提高到了99.15％。deepid2+增加了神经网络的深度，并在底层增加了辅助的损失函数。此外，嵌入的特征层学习了稀疏性、选择性和鲁棒性，这使得deepid2+用卷积神经网络模型在lfw数据集上的的识别率达到了99.47％。
deepid2和deepid2+网络虽然识别率很高，但是它们的网络架构是由25个卷积神经网络集合而成，网络结构复杂，运行时资源占用率高，对硬件有很高的要求(如需要多个高性能gpu才能执行网络操作)，训练时间久，识别速度相对较慢；
alexnet，googlenet和vggnet的网络架构得到了很好的认可。其中，alexnet是最简单的，具有5个卷积层和3个全连接层，其提出的relu层和dropout操作构建了最新深度卷积神经网络的基础，局部响应归一化层(lrn)可以提高网络的泛化能力。为了进一步深入，googlenet设计为可以提取多尺度特征结构的22层深度网络。vggnet使用了大小为3×3的卷积核，步长始终为1，同时特征图的大小只通过汇聚操作减少，但是vggnet的速度比较慢。
另一种有效的深度神经网络是由谷歌提出来的facenet,它使用了一个含有800万人的2亿张人脸图像的超大型数据集来训练googlenet网络。对于这样大的数据集，传统的softmax损失需要800万个输出节点，这将会消耗大量的gpu内存。
技术实现要素：
本发明为解决上述问题，提供一种基于深度神经网络的人脸识别方法，其包括7个卷积层和3个全连接层的十层深度卷积神经网络实现人脸识别，旨在简化网络结构，降低计算时间代价的情况下实现高的识别正确率。
为解决现有技术存在的问题，本发明的技术方案是：一种基于深度神经网络的人脸识别方法，其特征在于：其方法步骤包括人脸检测，人脸对齐，特征提取和身份比对；
所述的人脸检测、对齐的方法为：
采用由粗到细的自动编码网络(cfan)检测5个面部关键点，根据检测到的5个面部关键点旋转裁剪校准成256×256×3像素的正姿态人脸图片，通过级联多个栈式自编码网络，在越来越高分辨率的人脸图像上逐步优化人脸对齐结果；
所述的特征提取和身份比对的方法为：
采用10层深度人脸网络来提取人脸特征，所述的10层深度人脸网络包括7个卷积层和3个全连接层，通过训练和测试两部分进行区别；
具体的操作步骤为：
在训练部分先将裁剪校准后的人脸图像经过数据扩张输入第一个卷积层得到初级的图像特征，该图像特征经过relu非线性函数激活后通过池化pooling操作在空间维度宽度和高度上进行降采样，之后输入到第二个卷积层得到新的特征，重复卷积步骤6次，直到网络到达最后一个卷积层，在重复的6次卷积步骤中，在第三个卷积层之后加入池化操作，将最后一个卷积层输出的高级特征通过两个全连接层和dropout随机失活操作进行逐层降维，之后输入最后一个全连接层做人脸的分类，最后一个全连接层即为一个softmax分类器；
卷积层和全连接层中的参数随着梯度下降被不断训练，直到网络收敛成一个能正确识别人脸特征的深度网络模型；在测试部分将对齐后的测试图像经过数据扩张输入至训练好的网络模型并提取第二个全连接层输出的2048维向量作为每个人脸图像的特征表示，身份比对使用余弦函数度量每个人脸特征之间的相似度，通过计算不同人脸图像特征的夹角余弦来进行特征比较，夹角余弦值越大，就越为同一人。
所述的5个面部关键点为左右眼的中心，鼻尖，以及左嘴角和右嘴角。
所述的数据扩张具体操作为：从大小为256×256图像中随机提取大小为225×225的块及其水平反射，提取得到的块上训练网络，在测试阶段，网络通过从输入图像中提取5个大小为225×225的块，5个分别为图像的四个角块和中心块，并提取它们的水平反射块，即共10个块进行预测，平均10个块在softmax层的输出作为预测结果。
所述的relu非线性激活函数为f(x)＝max(0,x)，该函数将小于0的神经元输出映射为0。
所述的池化操作指将特征图在空间维度宽度和高度上进行降采样，池化步长为2，尺寸大小为3×3。
所述的dropout随机失活方法为神经元输出以0.5的概率被设置为0。
所述的夹角余弦相似度度量为：
与现有技术相比，本发明的优点如下：
1、本发明使用的网络架构通过了精细的设计和简化，采用了一个由卷积神经网络构成的十层深度人脸识别模型，识别精度高且计算代价低，在lfw人脸数据集上可达到98.60％的平均精度；
2、本发明由单一网络构成，结构简单，运行时资源占用少，在cpu上即可实现实时效果，识别速度快，不需要较高的硬件配置，在cpu上即可实现实时识别效果；
3、深度人脸网络不需要大量训练数据的支持，使用较少的训练数据也能得到很好的识别结果。
附图说明
图1本5点人脸校准示例；
图2为深度人脸网络与lfw上的先进方法在识别协议下的性能比较。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于深度神经网络的人脸识别方法，其方法步骤包括人脸检测，人脸对齐，特征提取和身份比对；
所述的人脸检测、对齐的方法为：
采用由粗到细的自动编码网络(cfan)检测5个面部关键点(所述的5个面部关键点为左右眼的中心，鼻尖，以及左嘴角和右嘴角)，根据检测到的5个面部关键点旋转裁剪校准成256×256×3像素的正姿态人脸图片，通过级联多个栈式自编码网络，在越来越高分辨率的人脸图像上逐步优化人脸对齐结果；
所述的特征提取和身份比对的方法为：
采用深度人脸网络的构建，深度人脸网络的测试及训练，优化网络参数。
深度人脸网络的构建：在alexnet网络架构基础上，本发明做出了简化和改进，构建设计得到了一个具有十层网络的深度人脸网络，包括7个卷积层和3个全连接层。
采用10层深度人脸网络来提取人脸特征，所述的10层深度人脸网络包括7个卷积层和3个全连接层，通过训练和测试两部分进行区别；
具体的操作步骤为：
在训练部分先将裁剪校准后的人脸图像经过数据扩张输入第一个卷积层得到初级的图像特征，该图像特征经过relu非线性函数激活后通过池化pooling操作在空间维度宽度和高度上进行降采样，之后输入到第二个卷积层得到新的特征，重复卷积步骤6次，直到网络到达最后一个卷积层，在重复的6次卷积步骤中，在第三个卷积层之后加入池化操作，将最后一个卷积层输出的高级特征通过两个全连接层和dropout随机失活操作进行逐层降维，之后输入最后一个全连接层做人脸的分类，最后一个全连接层即为一个softmax分类器。
卷积层和全连接层中的参数随着梯度下降被不断训练，直到网络收敛成一个能正确识别人脸特征的深度网络模型；在测试部分将对齐后的测试图像经过数据扩张输入至训练好的网络模型并提取第二个全连接层输出的2048维向量作为每个人脸图像的特征表示，身份比对使用余弦函数度量每个人脸特征之间的相似度，通过计算不同人脸图像特征的夹角余弦来进行特征比较，夹角余弦值越大，就越为同一人。
所述的池化操作指将特征图在空间维度宽度和高度上进行降采样，池化步长为2，尺寸大小为3×3。
所述的dropout随机失活方法为神经元输出以0.5的概率被设置为0。
所述的夹角余弦相似度度量为：
所述的人脸检测、对齐的方法详细过程如下：
在深度人脸网络的构建过程中，对第一个卷积层的设计如下：首先将训练人脸块经过第一个卷积层，与神经元进行卷积操作，卷积后的特征图与输入的人脸块在宽度和高度上相比尺寸会有所减少，为了在网络开始降低输入数据的维度，减少网络参数，降低网络的计算代价，得到的特征图经过relu非线性函数激活得到激活特征图，该激活特征图经过池化操作进行降维处理。
对第二个卷积层的设计如下，将第一个卷积层输出的特征图先在边缘进行0填充，零填充可以防止数据体的尺寸在前向传播时逐渐减小，防止丢失图像边缘信息，同时通过设置卷积层感受野尺寸和卷积步长的大小，让卷积层的输出数据在空间维度上和输入数据保持不变，填补后的特征图与第二个卷积层的神经元进行卷积操作，输出的特征图经过relu函数激活，该层不进行池化操作。
对第三个卷积层的设计如下，将第二个卷积层输出的特征图先在边缘进行0填充，填补后的特征图与第二个卷积层的神经元进行卷积操作，输出的特征图经过relu函数激活，激活特征图经过池化操作降维。
对第四个卷积层的设计如下：将第三个卷积层输出的特征图先在边缘进行0填充，填补后的特征图与第二个卷积层的神经元进行卷积操作，输出的特征图经过relu函数激活，该层不进行池化操作。
对第五个卷积层的设计如下：将第四个卷积层输出的特征图先在边缘进行0填充，填补后的特征图与第二个卷积层的神经元进行卷积操作，输出的特征图经过relu函数激活，该层不进行池化操作。
对第六个卷积层的设计如下：将第五个卷积层输出的特征图先在边缘进行0填充，填补后的特征图与第二个卷积层的神经元进行卷积操作，输出的特征图经过relu函数激活，该层不进行池化操作。
对第七个卷积层的设计如下：将第六个卷积层输出的特征图先在边缘进行0填充，填补后的特征图与第二个卷积层的神经元进行卷积操作，输出的特征图经过relu函数激活，激活特征图经过池化操作降维。
对第一层全连接层的设计如下：将第七个卷积层输出的特征图拉成列向量，与第一层全连接层的神经元全连接，降低特征维度，输出经过relu函数激活。
对第二层全连接层的设计如下：将第一层全连接层输出的特征向量与第二层的神经元全连接，继续降低特征维度，输出经过relu函数激活。
对第三层全连接层的设计如下：第三个全连接层即为一个softmax分类器，将第二层全连接层输出的特征向量与softmax分类器的权重参数对应相乘，根据softmax函数计算分类评分并计算softmax分类器损失函数，以此进行反向传播。
所述的relu非线性激活函数为f(x)＝max(0,x)，该函数将小于0的神经元输出映射为0，为非饱和非线性函数，与饱和非线性函数f(x)＝tanh(x)和f(x)＝(1+e-x)-1相比，relu函数具有更快的收敛速度，加快网络学习对数据集训练的模型性能有很大的影响，深度人脸网络将relu非线性激活函数应用在每一个卷积层和全连接层的输出上。
深度人脸网络的训练：深度人脸网络的训练包括前向传播和反向传播两部分，利用逐层训练的方式对深度人脸网络进行训练，具体训练阶段的算法流程如下：
初始化网络权重偏置参数，设置损失函数阈值和网络训练最大次数epoch；
step1向深度人脸网络输入训练集人脸块；
step2训练样本前向传递，进行第一层卷积操作，输出的特征图经过relu非线性函数激活，输出得到激活图；
step3激活图经过重叠池化overlappingpooling操作降维；
step4输入下一个卷积层重复进行卷积操作，直到前向传递到全连接层；
step5第七个卷积层输出的特征图被拉成列向量和第一层全连接层的神经元全连接，并经过relu函数激活，得到降维后的特征向量；
step6经过第二个全连接层降维，并经过relu函数激活；
step7第二个全连接层输出的特征向量在第三个全连接层的softmax分类器分类，输出概率最大的标签作为识别结果。
step8计算识别损失，进行反向传播，更新网络参数；
step9重复step1到step7直到训练集所有人脸块训练完毕；
step10重复step1到step9直到识别损失函数小于设定阈值或者达到网络训练次数达到设定最大值epoch；
step11输出得到的最优网络参数。
深度人脸网络的测试阶段算法步骤具体如下：
step1输入测试集人脸块；
step2测试人脸块前向传递，进行第一层卷积操作，输出的特征图经过relu非线性函数激活，输出得到激活图；
step3激活图经过重叠池化overlappingpooling操作降维；
step4输入下一个卷积层重复进行卷积操作，直到前向传递到全连接层；
step5第七个卷积层输出的特征图被拉成列向量和第一层全连接层的神经元全连接，并经过relu函数激活，得到降维后的特征向量；
step6经过第二个全连接层降维得到的2048个输出值用于人脸身份比对的最终特征向量；
step7重复step1至step6直到所有测试人脸块都经过深度人脸网络提取得到特征向量；
step8对深度人脸网络提取的所有特征向量两两计算夹角余弦值，夹角余弦值值，对应的两个人脸块越为同一人。
优化网络参数：通过数据扩张、dropout相关操作提高网络的泛化能力，减少网络训练出现的过拟合现象。
所述的数据扩张是为了训练出更好的网络而扩大数据集的技术，具体操作为：从原图像中随机提取一定大小的块及其水平反射，在这些提取得到的块上训练我们的网络。通过数据扩张，我们可以有效减少过拟合。
数据扩张具体操作为：从大小为256×256图像中随机提取大小为225×225的块及其水平反射，提取得到的块上训练网络，在测试阶段，网络通过从输入图像中提取5个大小为225×225的块，5个分别为图像的四个角块和中心块，并提取它们的水平反射块，即共10个块进行预测，平均10个块在softmax层的输出作为预测结果。
所述的dropout随机失活操作在训练阶段，让神经元以超参数p的概率被设置为0。以这种方式失活的神经元不参与前向传递，也不参与反向传播。所以每次向网络中输入图像时，神经网络都会生成不同的体系结构，所有这些体系结构共享同样的权重。这种技术因为神经元不能依赖于特定的其他神经元，从而减少了神经元复杂的相互适应。因此，神经网络被迫学习更强大的功能，与其他神经元不同的随机子集结合使用，从而提高了网络的泛化能力，减少网络的过拟合。在测试阶段，我们使用所有的神经元，并令它们的输出乘以p从而得到网络的最终预测结果。
所述的dropout随机失活方法为神经元输出以0.5的概率被设置为0。
所述的夹角余弦相似度度量为：
实施例：
一种基于深度神经网络的人脸识别方法步骤包括人脸检测，人脸对齐，特征提取和身份比对；
所述的人脸检测、对齐的方法为(参见图1)：
采用由粗到细的自动编码网络(cfan)检测5个面部关键点(左右眼的中心，鼻尖，以及左嘴角和右嘴角)，根据检测到的5个面部关键点旋转裁剪校准成256×256像素的正姿态人脸图片，通过级联多个栈式自编码网络，在越来越高分辨率的人脸图像上逐步优化人脸对齐结果；
所述的特征提取和身份比对的方法为：
采用10层深度人脸网络来提取人脸特征，所述的10层深度人脸网络包括7个卷积层和3个全连接层，通过训练和测试两部分进行区别；
具体的操作步骤为(参见表1)：
在训练部分先将裁剪校准后的256×256×3像素大小的人脸图像经过数据扩张后输入感受野尺寸为9×9，深度为48，步长为4，零填充为0的卷积层1得到初级的图像特征，该图像特征经过relu非线性函数激活后通过滤波器尺寸为3×3，步长为2的池化操作在空间维度宽度和高度上进行降采样，之后输入到感受野尺寸为3×3，深度为128，步长为1，零填充为1的卷积层2得到新的特征，重复不同深度的卷积步骤6次，直到网络到达卷积层7，卷积层2至卷积层7中神经元感受野的尺寸均为3×3，卷积步长为1，边缘零填充为1，卷积层2至卷积层7对应的深度列的维度有所不同，分别为128,128,256,192,192,128。在重复的6次卷积步骤中，仅在卷积层3之后加入池化操作，将卷积层7输出的高级特征通过全连接层1和全连接层2以及dropout随机失活操作进行逐层降维，将特征维度分别降低为4096和2048，之后2048维特征输入具有softmax分类器的全连接层3做人脸的分类，全连接层3的输出维度为10575，即对应训练库的人脸标签数。卷积层和全连接层中的参数随着梯度下降被不断训练，直到网络收敛成一个能正确识别人脸特征的深度网络模型；在测试部分将对齐后的测试图像经过数据扩张输入至训练好的网络模型并提取全连接层2输出的2048维向量作为每个人脸图像的特征表示，身份比对使用余弦函数度量每个人脸特征之间的相似度，通过计算不同人脸图像特征的夹角余弦来进行特征比较，夹角余弦值越大，就越为同一人。
表1深度人脸网络的网络结构
数据扩张：所述的数据扩张是为了训练出更好的网络而扩大数据集的技术，具体操作为：从大小为256×256图像中随机提取大小为225×225的块及其水平反射，在这些提取得到的块上训练我们的网络。在测试阶段，网络通过从输入图像中提取5个大小为225×225的块，5个分别为图像的四个角块和中心块，并提取它们的水平反射块，即共10个块来进行预测，平均这10个块在softmax层的输出作为预测结果。通过数据扩张，我们可以有效减少过拟合。
卷积层：深度人脸网络在卷积层1采用的感受野大小为9×9的神经元，并以4为步长进行卷积可大大降低图像维度，减少网络参数。在起始卷积层降低数据空间维度后，深度人脸网络在卷积层2至卷积层7中均采用大小为3×3，步长为1，零填充为1的超参数设置，这种超参数设置可以使在卷积层2至卷积层7中保持特征图的尺寸不变，卷积层2至卷积层7只负责对输入数据体的深度进行变换。空间维度的降采样由池化操作负责。
零填充：使用零填充可以让卷积层的输出数据在空间维度上和输入数据保持不变，同时还可以提高算法性能。如果卷积层只进行卷积而不进行零填充，数据体的尺寸就会略微减小，那么图像边缘的信息将很快地损失掉。
relu非线性激活函数：relu非线性激活函数为f(x)＝max(0,x)，为非饱和函数，与饱和非线性函数f(x)＝tanh(x)和f(x)＝(1+e-x)-1相比，relu函数具有更快的收敛速度，加快网络学习对数据集训练的模型性能有很大的影响。深度人脸网络将relu非线性激活函数应用在每一个卷积层和全连接层的输出上。
池化操作：池化操作指将特征图在空间维度的宽度和高度上进行降采样，所述池化操作为最大汇聚中的重叠汇聚，步长为2，池化核大小为3×3，即在3×3区域内选取最大值保留。
全连接层：卷积层7的输出数据被拉成列向量后输入到全连接层1进行降维，降维成4096个输出，然后经过全连接层2降维成2048个输出，全连接层3即为一个softmax分类器，输出结点个数为10575，即训练库图像分类标签数。
dropout随机失活：在训练阶段，随机失活的实现方法是让神经元以超参数p的概率被设置为0，本文中p＝0.5。以这种方式失活的神经元不参与前向传递，也不参与反向传播。所以每次向网络中输入图像时，神经网络都会生成不同的体系结构，所有这些体系结构共享同样的权重。这种技术因为神经元不能依赖于特定的其他神经元，从而减少了神经元复杂的相互适应。因此，神经网络被迫学习更强大的功能，与其他神经元不同的随机子集结合使用，从而提高了网络的泛化能力，减少网络的过拟合。在测试阶段，我们使用所有的神经元，并令它们的输出乘以0.5从而得到网络的最终预测结果。
夹角余弦函数：所述夹角余弦相似度度量为：
1、仿真条件
采用的训练集是casia-web数据集包括10575个人的47977张人脸图片，所有的训练数据都经过了人脸检测和对齐预处理。深度人脸网络从头开始学习，并使用msra滤波器来初始化卷积内核和全连接层的权重。在训练期间，人脸块从输入图片中随机采样，采样大小为sample_size×sample_size像素，sample_size默认设置为227。测试数据集是lfw人脸数据集，包含5249个人的13233张图像。进行10折人脸验证时，每份测试集包括300个类间和300个类内人脸对。
在所有实验中，对于alexnet和深度人脸网络，基础学习率设置为0.04，动量设置为0.9，权值衰减设置为0.005；对于其它网络网络，基础学习率设置为0.01，并且在γ值等于0.5的多项式曲线之后学习速率降低。所有的实验都是使用修改后的caffe深度学习工具在12g内存的titan-xgpu上进行的。2、仿真内容
实验1：比较深度人脸网络与lfwview2数据集上最先进的方法进行10折交叉验证时的平均精度。
实验结果如表2所示。我们的深度人脸网络只使用了单一的网络，虽然我们的网络使用的训练数据要少于deepface，vggface和facenet，但是仍能实现与具有16层深度网络vggface和25层深度网络deepid2相当的识别正确率。同时，深度人脸网络在轻微性能下降的情况下减少了40％的计算代价。
表2深度人脸网络与lfwview2上的先进方法在验证协议下的性能比较
实验2：深度人脸网络与lfw上的先进方法在识别协议下的性能比较。
我们在人脸识别任务的开闭集上进行进一步的评估。闭集识别协议展示了rank-1的识别精度，开集识别协议展示了误警率(far)等于1％时的检测识别率(dir)。与最先进的方法的比较结果如图2所示。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。