PCANet深度卷积模型的人脸身份识别方法
【技术领域】：
[0001] 本发明属于机器视觉领域，特别设及一种基于gb(2D)2pca化t深度卷积模型的人 脸身份识别方法。
【背景技术】：
[0002] 人脸识别技术是利用计算机分析人脸视频或图像，从中提取人脸特征，并通过运 些特征识别身份的一种技术。
[0003] 目前人脸身份识别技术发展较快，取得了大量的研究成果。常见的人脸身份识别 算法可分为几类:基于几何特征的人脸身份识别、基于子空间分析的人脸身份识别、基于弹 性匹配的人脸身份识别、基于隐马尔可夫模型的人脸身份识别、基于神经网络的人脸身份 识别和基于3D的人脸身份识别。如化katsugu等[1]使用一种基于动态链接结构的弹性匹配 法来定位人脸，并根据人脸数据库进行匹配识别。Lin等[2]采用正反例样本进行强化学习， 从而得到较为理想的概率估计结果，并采用模块化的网络结构加快网络的学习速度。虽然 人脸身份识别研究已积累了宝贵的丰富经验，但目前的识别技术仍然不能对诸如人脸自身 及所处环境的复杂性等情况进行有效的处理，如表情、姿态、光照强度等条件的变化W及人 脸上的遮挡物，都会使人脸身份识别方法的鲁棒性受到很大的影响。
[0004] 本发明针对上述人脸身份识别存在的问题，提出了一种基于GB(SD)2PCANet深度 卷积模型的人脸身份识别方法，不仅吸取了深度模型和Gabor滤波的优点，可W提取数据中 更加抽象的特征，对光照、表情、遮挡等因素具有鲁棒性，而且克服了卷积神经网络耗时及 标签数目需求量大的缺点。
【发明内容】
：
[0005] 本发明的主要目的是提出一种基于GB(SD)2PCANet深度卷积模型的人脸身份识别 方法，在极大减少光照、表情、遮挡等因素干扰的同时，能够高效地进行人脸识别。
[0006] 为了实现上述目的，本发明提供如下技术方案，包含训练阶段和测试阶段。
[0007] 基于GB(SD)2PCANet深度卷积模型的人脸身份识别方法训练阶段技术方案如下：
[0008] 步骤一、对已知人脸库中的训练集人脸图像进行预处理，包括转化成灰度图和调 整图像尺寸到相同大小P X q;
[0009] 步骤二、将训练样本依次送入GB(2D)2PCANet模型的第一个特征提取层，获取第一 个特征提取层的Gabor特征图像;具体地，令{布摧1表示人脸图像训练集，其中N为训练集 中的样本数，Zlf G IRPXq表示一张人脸样本图像;将每个样本Al依次送入第一个特征提取 层，首先进行5个尺度和8个方向结合的2D Gabor滤波，通过降采样，得到最终的Gabor特征 图像[3]，记为[巧其中孩f巨脫是特征图像降采样后的像素个数，t是2D Gabor 滤波器的个数，t = 40;
[0010 ]步骤S、对每个Gabor特征图像Bi，扫描提取m X n个11 X 12大小的图像块，对图像块 进行去均值操作，获福
其中表示Bi中第j个去均值图像块； 所有G a b O r特征图像经过相同的处理之后，可得到样本矩阵
，为了方便描述，用连续的序号表 示I中所有的图像块并重记为
[OOW 步骤四、利用基于（2D)2PCA的特征投影向量分析方法[4]，同时从行、列两个方向 提取样本矩阵I的最优投影轴，作为第一层特征提取阶段卷积滤波器，化为第一 层卷积滤波器的个数；
[001。 步骤五、将步骤四学习到的卷积滤波器{Wn.}担1与训练集人脸原始图像掏摧1 分别卷积，得到NXNi个特征图鞭L恥斯]対1外，其中巧它贼邻；
[OOK]步骤六、将步骤五得到的每个训练样本A拥应的特征图{7/?己1作为第二个特征 提取层输入，利用与步骤=至步骤五同样的特征学习方法，依次学习第二层的（人脸区分性 特征）卷积滤波器{W,N2为第二层卷积滤波器的个数；并用卷积滤波器 {W打2境=1与步骤五得到的特征图觀'}脱[1斯]，词l,JV]分别卷积4躬的乂化><化个第二层 特征图{巧"2}啡州,巧巨.[1典1],打.2€[1所2.].，其中口;;'''2巨股趴9;
[0014] 步骤屯、对步骤六中得到的每个训练样本A 1对应的第二层特征图 (啤。2}娜1馬]馬巧刷二值哈希编码得到二值化特征图{带}左1;具体地，首先利用二 值哈希函数H( ?)将口二值化，其中，当输入大于0时，H( ?)值为1，当 输入小于或等于0时，H( ?)值为0;然后将所有由第二层的输入i?(第一层中由训练样本Al 生成的第n个特征图）二次卷积得到的化个二值化特征图作为一组，将运化个二值化特征图 同一像素位置的二进制数组成的二值向量并转化为十进制数，从而得到一张整数值输出图 片r，其中i e [ 1，N]，n e [ 1，化];因此单个样本Al最终生成化个二值特征图{Wf }n巧i,wi]，所 有样本(A. }f二1最终得到NXNi个二值特征图押巧由円州，的1,WiJ;
[0015] 步骤八、针对每个二值特征图Hf，其中1￡[1，則，11￡[1，化]，^滑动窗的形式取 [6162]大小的块，块的重叠比例为〇，计算每个块的统计直方图，记为公/?/?^(巧^)，然后将所 有由单个样本Al生成的化个二值特征图的局部区域的统计直方图拼接起来， 得到人脸图像Al的最终输出特征巧=[公川如(耐)，公巧)，".，公W孔(巧Wi)];:
[0016] 步骤九、将步骤八得到的所有样本{命摧1的输出特征的推1送入Linear SVM分 类器中训练，获得基于GB(2D)2PCANet的最优Linear SVM的人脸身份识别分类模型。
[0017]基于GB(SD)2PCANet深度卷积模型的人脸身份识别方法的测试阶段技术方案如 下：
[0018]步骤一:对待测试人脸图像B进行预处理，包括转化成灰度图和调整图像尺寸到相 同大小P Xq;
[0019]步骤二:与训练阶段类似，将待现聯人脸图像B与训练阶段第一个特征提取层学习 到的第一层卷积滤波器己1分别卷积得到第一层的特征图{护}"€^^^;
[0020] 步骤与训练阶段类似，步骤二输出的特征图作为第二个特征提取 层原始输入，与训练阶段第二个特征提取层学习到的卷积滤波器分别卷积得 到第二层的输出特征图
：
[0021] 步骤四：与训练阶段类似，对步骤=得到的特征區
做二值 哈希编码，统计局部区域直方图，并将所有局部区域的统计直方图拼接起来，作为人脸图像 B的最终提取到的特征F;
[0022] 步骤五、将步骤四得到的图像最终输出特征F送入训练好的Linear SVM分类器中 进行分类，获得分类结果，即人脸识别结果。
[0023] 与现有的技术相比，本发明具有W下有益效果：
[0024] 1、本方法采用深度网络结构的特征学习方法，吸取了深度学习网络的优点，能够 从数据中自动学习到有效的区分性特征表达，取代了手工提取特征，有效提高了自动人脸 身份识别的准确率；
[0025] 2、本方法提出的网络结构具有平移、旋转不变性。结合2D Gabor滤波和（2D)2PCA 卷积滤波器的学习，使得模型具有良好的局部特征表达能力，并且对光照、表情和噪音变体 具有较好的鲁棒性，有效提升了复杂环境下人脸身份识别的健壮性和识别性能；
[0026] 3、传统的深度卷积神经网络W监督学习的方式进行训练，不仅需要大量的标签数 据，而且需要繁重的迭代学习。本方法采用无监督的学习方式，大大减少了运算量，提高了 系统的效率。
【附图说明】：
[0027] 图1基于GB(SD)2PCANet深度卷积模型的人脸身份识别方法特征学习框架；
[002引图2在AR人脸库上，GB(SD)2PCANet模型块尺寸[bi b2]变化对遮挡的鲁棒性；
[00巧]图3在AR人脸库上，GB(SD)2PCANet模型块重叠比例a变化对识别率的影响。
【具体实施方式】
[0030] 为了更好的说明