CN110135236A - 一种基于小波变换及神经网络算法的视频人脸识别方法 - Google Patents

Abstract

本发明涉及一种基于小波变换及神经网络算法的视频人脸识别方法，属于人脸识别技术领域，分为数据处理及人脸识别两部分。本发明首先进行数据处理，即通过小波变换对人脸图像进行去噪处理，再使用小波变换提取人脸图像特征，然后使用自组织神经网络来实现特征数据的降维。在进行人脸识别时，先使用部分样本数据训练BP神经网络，再使用训练好的BP神经网络来进行人脸图像的识别。本发明可以在保证识别准确率在高于99.95％的前提下，使得其在移动终端上的识别速度达到了小于80ms，从而可以会使移动端设备拥有准确且快速的人脸识别功能。

Description

一种基于小波变换及神经网络算法的视频人脸识别方法

技术领域

本发明涉及人脸识别技术领域，具体是一种基于小波变换及神经网络算法的视频人脸识别方法。

背景技术

人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题，它被广泛应用于娱乐，信息安全，法律实施和监控等方面。一般来说，人脸识别主要是指在数字图像或视频图像中，通过人体面部视觉信息，进行人类身份鉴别的计算机技术。与指纹识别和掌纹识别等相比，人脸识别具有方便、快捷，易接受等特点。近年来，人们对人脸识别方法的研究处在发展阶段，并不断有新的技术和方法出现，但是仍存在对人脸图像识别率较低的问题。

发明内容

本发明的目的在于提供一种基于小波变换及神经网络算法的视频人脸识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明的技术方案为：一种基于小波变换及神经网络算法的视频人脸识别方法，该方法包括以下步骤：

步骤S1：通过摄像设备、移动终端或直接收集照片的方式获取人脸图像，并将获取的人脸图像存储在电子设备中，以备随时调用；

步骤S2：使用小波变换，对步骤S1获取的人脸图像进行去噪处理；

步骤S3：使用小波变换，对步骤S2经过处理后的人脸图像进行图像的特征提取，获得原始特征数据；

步骤S4：使用自组织神经网络分析法，对步骤S3中提取的人脸图像特征数据进行分析，对原始特征数据进行降维处理；

步骤S5：利用步骤S4获得的数据训练BP神经网络；

步骤S6：使用步骤S5训练好的BP神经网络分析待识别的人脸图像，获得识别结果。

所述的步骤S1中，图像可通过摄像设备、移动终端、直接输入已有图像的方式进行收集；

所述的步骤S2中，去噪处理的方法为小波变换模极大值去噪法、小波系数相关性去噪法或小波阀值去噪法。

所述小波变换模极大值去噪法为：根据信号与噪声在不同尺度上模极大值的不同传播特性，从所有小波变换极大值中选择信号的模极大值而消除噪声的模极大值，然后用剩余的小波变换重构原信号；

所述小波系数相关性去噪法为：对含噪信号作小波变换后，计算相邻尺度间小波系数的相关性，根据相关性大于或小于设置的特定值来区别小波系数的类型，从而进行取舍，然后直接重构信号。

所述小波阀值去噪法为：在分解出的小波系中，把绝对值小于预设值的系数设置为零，让绝对值大于预设值的系数保留或收缩，得到估计小波系数，然后利用估计小波系数直接进行信号重构。

所述的步骤S3中，将输入图像通过高斯模糊核在尺度空间中做平滑处理，然后通过局部导数运算来计算图像的一个或多个特征。

所述的步骤S4中利用自组织神经网络法对原始特征数据进行降维处理，步骤如下：

(1)网络初始化：用随机数设定输入层和映射层之间权值的初始值。对m个输入神经元到输出神经元的连接权值赋予取值范围在(0,0.5)之间的权值。选取输出神经元j个“邻接神经元”的集合S_j。其中，S_j(0)表示t＝0时刻神经元j的“邻接神经元”的集合，S_j(t)表示时刻t的“邻接神经元”的集合。区域S_j(t)随着时间的增长而不断缩小。

(2)把输入向量x＝(x₁、x₂…x_n)^T输入给输入层；

(3)计算映射层的权值向量和输入向量之间的欧氏距离，得到一个具有最小距离的神经元，将其作为胜出的神经元j*；

Dj＝∏X-W_j∏＝(∑(xi(t)-ω_ij(t))²)^1/2

(4)定义胜利邻域S_j(t)：以j*为中心确定t时刻的权值调整域，一般初始邻域S_j*(0)随训练时间收缩；

(5)权值的学习：胜出神经元和位于其邻接神经元的权值，按照取值在(0,1)间的常数η和邻域函数h(j，j*)更新：

△ω_ij(t)＝ηh(j，j*)(x_i-ω_ij(t))

h(j，j*)＝exp(-(∣j-j*)²/σ²)

(6)计算输出o_k：o_k＝f(min∏X-W_i∏)；

(7)若o_k小于预先设定的一个极小值，则算法结算，否则返回步骤(2)，进入下一轮训练；

(8)将图像经过步骤S2和步骤S3处理后，获得的图像特征供给训练好的网络，进行聚类分析，实现降维。

所述的步骤S5中包括，BP神经网络算法的训练，步骤如下：

(1)读取数据；

(2)根据预先设置的比例划分训练数据与测试数据；

(3)初始化BP神经网络：给每个连接权值ω_ij、ν_jt、阈值θ_j与γ_t赋予区间(-1,1)内的随机变量；

(4)随机选取一组输入和目标样本P_k＝(a₁ ^k，a₂ ^k，a₃ ^k，…a_n ^k)、T_k＝(s₁ ^k，s₂ ^k，s₃ ^k，…a_n ^k)提供给网络；

(5)用输入样本P_k＝(a₁ ^k，a₂ ^k，a₃ ^k，…a_n ^k)，连接权值ω_ij和阀值θ_j计算中间层各单元的输入s_j，然后用s_j通过传递函数计算中间层各单元的输出b_j；

s_j＝∑ω_ij-θ_j，b_j＝f(s_j)，j＝1,2,…p

(6)利用中间层的输出b_j、连接权值ω_ij和阀值θ_j计算输出各单元的输入L_t，然后通过传递函数计算输出层各单元的相应C_t；

L_t＝∑ω_jtb_j-γ_t，C_t＝f(L_t)，t＝1,2,…p

(7)利用网络目标向量T_k＝(y₁ ^k，y₂ ^k，y₃ ^k，…y_q ^k)，网络的时机输出C_t，计算输出层的各单元一般化误差d_t ^k；

d_t ^k＝(y_t ^k-C_t)C_t(1-C_t)，t＝1,2,…q

(8)利用连接权值ν_jt、输出层的一般化误差d_t和中间层的输出b_j计算中间层各单元的一般化误差e_j ^k；

e_j ^k＝[∑d_t×ν_jt]b_j(1-b_j)

(9)利用输出层各单元的一般化误差d_t ^k与中间层各单元的输出b_j来修正连接权值ν_jt和阀值γ_t；

ν_jt(N+1)＝ν_jt(N)+α×d_t ^k×b_j

γ_t(N+1)＝γ_t(N)+α×d_t ^k

(10)利用中间层各单元的一般化误差e_j ^k，输入层各单元的输入P_k＝(a₁ ^k，a₂ ^k，a₃ ^k，…a_n ^k)来修正连接权值ω_ij和阀值θ_j；

(11)随机选取下一个学习样本向量供给网络，返回到步骤(5)，直到m个训练样本训练完毕；

(12)重新从m个学习样本中随机选取一组输入和目标样本，返回步骤(5)，直到网络全局误差E小于预先设定的一个极小值，即网络收敛；

(13)训练结束。

所述的步骤S6中，将最新收集的图像经过去噪、提取图像特征、降维处理后，获得的图像特征供给训练好的网络，进行人脸识别，获得识别结果。

本发明的有益效果是：

1.小波变换模极大值去噪法，具有很好的理论基础，对噪声的依赖性较小，无需知道噪声的方差，非常适合于低信噪比的信号去噪。

2.低熵性：小波系数的稀疏分布，使图像变换后的熵变低；

3.多分辨率特性：由于采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特性，如边缘、尖峰、断点等，以便于特征提取和保护；

4.去相关性：因小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于消噪；

5.选基灵活性：由于小波变换有形式多样的小波基可供选择，所以可以针对不同的应用场合选取合适的小波基函数，以获取最佳的消噪效果。

6.可以在保证人脸识别准确率的基础上提高识别速度。实验表明，本发明可以在保证识别准确率在高于99.95％的前提下，使得其在移动终端上的识别速度达到了小于80ms，从而可以会使移动端设备拥有准确且快速的人脸识别功能。

附图说明

图1是本发明的处理流程图；

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清晰、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例为本发明优选实施方式，其他凡其原理和基本结构与本实施例相同或近似的，均在本发明保护范围之内。

请参看附图1，本发明一种基于小波变换及神经网络算法的视频人脸识别方法，其具体包括下述步骤：

步骤S1：通过摄像设备、移动终端或直接收集照片的方式获取人脸图像，并将获取的人脸图像存储在电子设备中，以备随时调用；

步骤S2：使用小波阀值去噪法，对步骤S1获取的人脸图像进行去噪处理；

步骤S3：使用小波变换，对步骤S2经过处理后的人脸图像进行图像的特征提取，获得原始特征数据；

步骤S4：使用自组织神经网络分析法，对步骤S3中提取的人脸图像特征数据进行分析，对原始特征数据进行降维处理；

步骤S5：利用步骤S4获得的数据训练BP神经网络；

步骤S6：使用步骤S5训练好的BP神经网络分析待识别的人脸图像，获得识别结果。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种基于小波变换及神经网络算法的视频人脸识别方法，其特征在于，包括以下步骤：

步骤S1：通过摄像设备、移动终端或直接收集照片的方式获取人脸图像，并将获取的人脸图像存储在电子设备中，以备随时调用；

步骤S2：使用小波变换算法，对步骤S1获取的人脸图像进行去噪处理；

步骤S3：使用小波变换算法，对步骤S2经过处理后的人脸图像进行图像的特征提取，获得原始特征数据；

步骤S4：使用自组织神经网络算法，对步骤S3中提取的人脸图像特征数据进行分析，对原始特征数据进行降维处理；

步骤S5：利用步骤S4获得的数据训练BP神经网络；

步骤S6：使用步骤S5训练好的BP神经网络分析待识别的人脸图像，获得识别结果。

2.根据权利要求1所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：所述的步骤S1中，图像可通过摄像设备、移动终端、直接输入已有图像的方式进行收集。

3.根据权利要求1所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：所述的步骤S2中，去噪处理的方法为小波变换模极大值去噪法、小波系数相关性去噪法或小波阀值去噪法。

4.根据权利要求3所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：小波变换模极大值去噪法为，即根据信号与噪声在不同尺度上模极大值的不同传播特性，从所有小波变换极大值中选择信号的模极大值而消除噪声的模极大值，然后用剩余的小波变换重构原信号。

5.根据权利要求3所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：小波系数相关性去噪法为，对含噪信号作小波变换后，计算相邻尺度间小波系数的相关性，根据相关性大于或小于设置的特定值来区别小波系数的类型，从而进行取舍，然后直接重构信号。

6.根据权利要求3所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：小波阀值去噪法为，在分解出的小波系中，把绝对值小于预设值的系数设置为零，让绝对值大于预设值的系数保留或收缩，得到估计小波系数，然后利用估计小波系数直接进行信号重构。

7.根据权利要求1所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：所述的步骤S3中，将输入图像通过高斯模糊核在尺度空间中做平滑处理，然后通过局部导数运算来计算图像的一个或多个特征。

8.根据权利要求1所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：所述的步骤S4中包括：

(1)网络初始化：用随机数设定输入层和映射层之间权值的初始值。对m个输入神经元到输出神经元的连接权值赋予取值范围在(0,0.5)之间的权值。选取输出神经元j个“邻接神经元”的集合S_j。其中，S_j(0)表示t＝0时刻神经元j的“邻接神经元”的集合，S_j(t)表示时刻t的“邻接神经元”的集合。区域S_j(t)随着时间的增长而不断缩小。

(2)把输入向量x＝(x₁、x₂…x_n)^T输入给输入层；

(3)计算映射层的权值向量和输入向量之间的欧氏距离，得到一个具有最小距离的神经元，将其作为胜出的神经元j*；

Dj＝∏X-W_j∏＝(∑(xi(t)-ω_ij(t))²)^1/2

(4)定义胜利邻域S_j(t)：以j*为中心确定t时刻的权值调整域，一般初始邻域S_j*(0)随训练时间收缩；

(5)权值的学习：胜出神经元和位于其邻接神经元的权值，按照取值在(0,1)间的常数η和邻域函数h(j，j*)更新：

△ω_ij(t)＝ηh(j，j*)(x_i-ω_ij(t))

h(j，j*)＝exp(-(∣j-j*)²/σ²)

(6)计算输出o_k：o_k＝f(min∏X-W_i∏)；

(7)若o_k小于预先设定的一个极小值，则算法结算，否则返回步骤(2)，进入下一轮训练；

(8)将图像经过步骤S2和步骤S3处理后，获得的图像特征供给训练好的网络，进行聚类分析，实现降维。

9.根据权利要求1所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：所述的步骤S5中包括：

(1)读取数据；

(2)根据预先设置的比例划分训练数据与测试数据；

(3)初始化BP神经网络：给每个连接权值ω_ij、ν_jt、阈值θ_j与γ_t赋予区间(-1,1)内的随机变量；

(4)随机选取一组输入和目标样本P_k＝(a₁ ^k，a₂ ^k，a₃ ^k，…a_n ^k)、T_k＝(s₁ ^k，s₂ ^k，s₃ ^k，…a_n ^k)提供给网络；

(5)用输入样本P_k＝(a₁ ^k，a₂ ^k，a₃ ^k，…a_n ^k)，连接权值ω_ij和阀值θ_j计算中间层各单元的输入s_j，然后用s_j通过传递函数计算中间层各单元的输出b_j；

s_j＝∑ω_ij-θ_j，b_j＝f(s_j)，j＝1,2,…p

(6)利用中间层的输出b_j、连接权值ω_ij和阀值θ_j计算输出各单元的输入L_t，然后通过传递函数计算输出层各单元的相应C_t；

L_t＝∑ω_jtb_j-γ_t，C_t＝f(L_t)，t＝1,2,…p

(7)利用网络目标向量T_k＝(y₁ ^k，y₂ ^k，y₃ ^k，…y_q ^k)，网络的时机输出C_t，计算输出层的各单元一般化误差d_t ^k；

d_t ^k＝(y_t ^k-C_t)C_t(1-C_t)，t＝1,2,…q

(8)利用连接权值ν_jt、输出层的一般化误差d_t和中间层的输出b_j计算中间层各单元的一般化误差e_j ^k；

e_j ^k＝[∑d_t×ν_jt]b_j(1-b_j)

(9)利用输出层各单元的一般化误差d_t ^k与中间层各单元的输出b_j来修正连接权值ν_jt和阀值γ_t；

ν_jt(N+1)＝ν_jt(N)+α×d_t ^k×b_j

γ_t(N+1)＝γ_t(N)+α×d_t ^k

(10)利用中间层各单元的一般化误差e_j ^k，输入层各单元的输入P_k＝(a₁ ^k，a₂ ^k，a₃ ^k，…a_n ^k)来修正连接权值ω_ij和阀值θ_j；

(11)随机选取下一个学习样本向量供给网络，返回到步骤(5)，直到m个训练样本训练完毕；

(12)重新从m个学习样本中随机选取一组输入和目标样本，返回步骤(5)，直到网络全局误差E小于预先设定的一个极小值，即网络收敛；

(13)训练结束。

10.根据权利要求1所述的基于小波变换及神经网络算法的视频人脸识别方法，其特征在于：所述的步骤S6中，将最新收集的图像经过步骤S2、步骤S3和步骤S4处理后，获得的图像特征供给训练好的网络，进行人脸识别，获得识别结果。