CN109522865A - 一种基于深度神经网络的特征加权融合人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的特征加权融合人脸识别方法，包括：步骤一、对采集的人脸图像进行预处理；步骤二、采用离散小波变换对预处理后的人脸图像进行处理，提取小波分解后的4个分量，并且对所述4个分量分别进行特征提取，得到4个特征；步骤三、分别为所述4个特征分配权值，并且进行加权融合；四、将加权融合后的特征作为输入层向量输入深度信念神经网络，经过训练，深度信念神经网络的输出提取后的人脸特征；步骤五、将所述提取后的人脸特征输入Softmax回归函数进行分类，构建分类器；步骤六、利用构建的分类器进行人脸识别。本发明提供的基于深度神经网络的特征加权融合人脸识别方法，能够提高人脸识别的准确率。

Description

一种基于深度神经网络的特征加权融合人脸识别方法

技术领域

本发明属于人脸识别技术领域，特别涉及一种基于深度神经网络的特征加权融合人脸识别方法。

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识别的一系列相关技术。

人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：

非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；

非接触性：用户不需要和设备直接接触就能获取人脸图像；

并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；

除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。

人脸识别一直是计算机视觉与模式识别领域的研究热点。原始人脸图像具有较高的特征维度，导致识别困难，所以设计有效的人脸图像特征提取器成为传统人脸识别方法的关键。

发明内容

本发明的目的是提供一种基于深度神经网络的特征加权融合人脸识别方法，通过小波变换以及PCA方法提取人脸特征，极大地保留了有用的面部信息；并且经过DBN网络训练样本，使用Softmax回归函数进行识别，有效的增强了人脸识别的准确率。

本发明提供的技术方案为：

一种基于深度神经网络的特征加权融合人脸识别方法，包括：

步骤一、对采集的人脸图像进行预处理；

步骤二、采用离散小波变换对预处理后的人脸图像进行处理，提取小波分解后的4个分量，并且对所述4个分量分别进行特征提取，得到4个特征；

步骤三、分别为所述4个特征分配权值，并且进行加权融合；

步骤四、将加权融合后的特征作为输入层向量输入深度信念神经网络，经过训练，深度信念神经网络输出提取后的人脸特征；

步骤五、将所述提取后的人脸特征输入Softmax回归函数进行分类，构建分类器；

步骤六、利用构建的分类器进行人脸识别。

优选的是，在所述步骤二中，预处理后的人脸图像A(x,y)的尺寸为m×n，将经过预处理后的人脸图像采用离散小波变换为：

其中，j₀是任意的开始尺度，W_j(j₀，m，n)为尺度j₀上的原图像的近似分量，i＝{H,V,D}，H表示水平方向，V表示垂直方向，D表示对角线方向，分别是原图像经过离散小波变换后的水平分量、垂直分量和对角线分量。

优选的是，在所述步骤二中，采用主成分分析法对4个分量进行特征提取，得到的特征分别为：

其中，LL为低频分量，LL′为低频分量的特征；LH为水平分量，LH′为水平分量的特征；HL为垂直分量，HL′为垂直分量的特征，HH为对角线分量，HH′为对角线分量的特征；分别为各分量对应的最优投影空间。

优选的是，在所述步骤三中，对特征进行加权融合后得到的数据为：

X＝ω₁LL′+ω₂LH′+ω₃HL′+ω₄HH′；

其中，ω₁为低频分量的特征的权值，ω₂为水平分量的特征的权值，ω₃为垂直分量的特征的权值，ω₄为对角线分量的特征的权值，ω₁+ω₂+ω₃+ω₄＝1。

优选的是，各分量特征的权值分别为：ω₁＝0.61，ω₂＝0.17，ω₃＝0.17，ω₄＝0.05。

优选的是，在所述步骤四中，将加权融合后的数据X分为训练集和测试集，将所述训练集作为输入层向量输入深度信念神经网络，对深度神经信念网络进行训练。

优选的是，在所述步骤四中，还包括采用BP算法对深度信念神经网络模型进行参数调优。

优选的是，在所述步骤一中，进行图像预处理，包括：

步骤1、对采集到的人脸图像的灰度化，得到灰度图像；

步骤2、对所述灰度图像的灰度进行修正增强；

步骤3、对图像进行去噪滤波处理。

优选的是，在所述步骤2中，采用直方图增强方法对灰度图像直方图中第i级灰度f_i修正后得到的灰度级g_j为：

其中，

式中，n_k为灰度图像各灰度级的像素个数，k＝0,1,…,L-1；n为灰度图像的像素总个数，P_f(f_k)表示该灰度出现的频率，L是灰度等级总数。

本发明的有益效果是：

本发明提供的基于深度神经网络的特征加权融合人脸识别方法，通过采用小波变换和PCA方法提取人脸特征，进行加权融合，很大程度上保留人脸有用的信息；并将融合后的人脸特征采用DBN网络和Softmax回归分类器进行识别，有效的提高了人脸识别的准确率。

附图说明

图1为本发明所述的基于深度神经网络的特征加权融合人脸识别方法流程图。

图2为本发明所述的DBN(深度信念神经网络)结构示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供了一种基于深度神经网络的特征加权融合人脸识别方法，具体实施过程包括：

步骤1：对要进行识别的人脸图像进行预处理，处理过程如下：

1.1、图像的灰度化。

首先输入采集到的人脸图像数据，得到原图像RGB三个分量的值，然后通过公式(1)计算像素灰度值，最后通过像素灰度值得到灰度图像。

1.2、图像增强，其具体过程如下所示：

1.2.1、列出灰度图像的灰度级f_k：k＝0,1,…，L-1,其中L是灰度等级总数。

1.2.2、计算直方图各灰度等级的出现总数：

其中，n_k为灰度图像各灰度级的像素个数，k＝0,1,…,L-1；n为灰度图像的像素总个数，P_f(f_k)表示该灰度出现的频率。

1.2.3、计算累积分布函数

1.2.4、计算出直方图均衡后图像的灰度等级g_k

其中，g_k是k级灰度变换后的值。变换后按照公式(4)的关系变换后可产生一副灰度级均匀分布的图像，扩大了动态像素取值的范围。

1.2.5、改进的直方图增强方法，对灰度图像直方图中的第i级灰度f_i，根据其左右两边和之比来确定修正后的灰度级g_j的位置j，即：

整理得：

最终可以得到图像灰度

1.3、去噪处理。

首先设定合适的阈值，其次将小于阈值的小波系数设置为0，而保留大于阈值的小波系数；然后经过阈值函数映射到估计系数；最后，对系数逆变换就可以实现去噪。

步骤2：人脸特征提取，具体实施过程如下：

2.1将与处理后的人脸图像进行离散小波变换

人脸图像A(x,y)的尺寸为m×n，将经过预处理的人脸图像采用离散小波变换为：

式(6)中，j₀是任意的开始尺度，W_j(j₀，m，n)为尺度j₀上的原图像的近似分量，i＝{H,V,D}，H表示水平方向，V表示垂直方向，D表示对角线方向，分别是原图像经过离散小波变换后的水平分量、垂直分量和对角线分量。

人脸图像经过一层小波变换后，将得到4个分量及其对应的子图像。这4个分量分别为低频分量，标记为LL，它包含了原始图像的大部分有用信息，相当于原图像的近似图像；水平分量，标记为LH，包含了人的眼睛和嘴巴等反应人脸表情的信息；垂直分量，标记为HL，包含了人的鼻子、耳朵和边缘轮廓信息，对角线分量，标记为HH，包含的原图像的信息量比较少。

2.2分别对LL、LH、HL、HH这4个分量进行PCA(主成分分析方法)特征提取。

由式(7)和(8)得到的4个分量的特征分别为LL′、LH′、HL′和HH′，式中，分别为各分量对应的最优投影空间。

2.3对提取后的特征分配合适的权值，进行特征加权融合。

将这4个分量对应的特征进行加权融合，将融合后的人脸数据作为分类器的输入数据。采用不同的权重融合后的人脸，记为：

X＝ω₁LL′+ω₂LH′+ω₃HL′+ω₄HH′ (9)

式中，ω₁为低频分量的特征的权值，ω₂为水平分量的特征的权值，ω₃为垂直分量的特征的权值，ω₄为对角线分量的特征的权值，ω₁+ω₂+ω₃+ω₄＝1。

由于低频分量包含了原图像的绝大部分信息，而LH′包含的人脸的眼睛和嘴巴等水平信息以及HL′包含的鼻子、耳朵和人脸边缘轮廓等竖直信息比较多，HH′中包含的对角线分量中包含的人脸信息最少，所以在分配权重时，这4个分量特征的权值分配分别为：ω₁＝0.61，ω₂＝0.17，ω₃＝0.17，ω₄＝0.05。

步骤3：采用DBN和Softmax进行人脸识别。

如图2所示，将融合后的数据X作为原人脸图像的特征并将所有样本分为训练集和测试集。利用训练集训练DBN(深度信念神经网络)，构建完整的DBN(深度信念神经网络)，采用误差反向传播算法BP对整个DBN模型进行全局参数调优。从像素层面自动学习到人脸数字图像的特征，然后利用Softmax回归函数对DBN学习到的特征进行分类并构建分类器。其中，测试集用于对建立的分类器进行测试。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种基于深度神经网络的特征加权融合人脸识别方法，其特征在于，包括如下步骤：

步骤一、对采集的人脸图像进行预处理；

步骤二、采用离散小波变换对预处理后的人脸图像进行处理，提取小波分解后的4个分量，并且对所述4个分量分别进行特征提取，得到4个特征；

步骤三、分别为所述4个特征分配权值，并且进行加权融合；

步骤四、将加权融合后的特征作为输入层向量输入深度信念神经网络，经过训练，深度信念神经网络输出提取后的人脸特征；

步骤五、将所述提取后的人脸特征输入Softmax回归函数进行分类，构建分类器；

步骤六、利用构建的分类器进行人脸识别。

2.根据权利要求1所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤二中，预处理后的人脸图像A(x,y)的尺寸为m×n，将经过预处理后的人脸图像采用离散小波变换为：

其中，j₀是任意的开始尺度，W_j(j₀，m，n)为尺度j₀上的原图像的近似分量，i＝{H,V,D}，H表示水平方向，V表示垂直方向，D表示对角线方向，分别是原图像经过离散小波变换后的水平分量、垂直分量和对角线分量。

3.根据权利要求2所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤二中，采用主成分分析法对4个分量进行特征提取，得到的特征分别为：

其中，LL为低频分量，LL′为低频分量的特征；LH为水平分量，LH′为水平分量的特征；HL为垂直分量，HL′为垂直分量的特征，HH为对角线分量，HH′为对角线分量的特征；分别为各分量对应的最优投影空间。

4.根据权利要求3所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤三中，对特征进行加权融合后得到的数据为：

X＝ω₁LL′+ω₂LH′+ω₃HL′+ω₄HH′；

其中，ω₁为低频分量的特征的权值，ω₂为水平分量的特征的权值，ω₃为垂直分量的特征的权值，ω₄为对角线分量的特征的权值，ω₁+ω₂+ω₃+ω₄＝1。

5.根据权利要求4所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，各分量特征的权值分别为：ω₁＝0.61，ω₂＝0.17，ω₃＝0.17，ω₄＝0.05。

6.根据权利要求4或5所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤四中，将加权融合后的数据X分为训练集和测试集，将所述训练集作为输入层向量输入深度信念神经网络，对深度神经信念网络进行训练。

7.根据权利要求6所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤四中，还包括采用BP算法对深度信念神经网络模型进行参数调优。

8.根据权利要求1所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤一中，进行图像预处理，包括：

步骤1、对采集到的人脸图像的灰度化，得到灰度图像；

步骤2、对所述灰度图像的灰度进行修正增强；

步骤3、对图像进行去噪滤波处理。

9.根据权利要求8所述的基于深度神经网络的特征加权融合人脸识别方法，其特征在于，在所述步骤2中，采用直方图增强方法对灰度图像直方图中第i级灰度f_i修正后得到的灰度级g_j为：

其中，

式中，n_k为灰度图像各灰度级的像素个数，k＝0,1,…,L-1；n为灰度图像的像素总个数，P_f(f_k)表示该灰度出现的频率，L是灰度等级总数。