PCANet深度卷積模型的人臉身份識別方法
【技術領域】：
[0001] 本發明屬于機器視覺領域，特別設及一種基于gb(2D)2pca化t深度卷積模型的人 臉身份識別方法。
【背景技術】：
[0002] 人臉識別技術是利用計算機分析人臉視頻或圖像，從中提取人臉特征，并通過運 些特征識別身份的一種技術。
[0003] 目前人臉身份識別技術發展較快，取得了大量的研究成果。常見的人臉身份識別 算法可分為幾類:基于幾何特征的人臉身份識別、基于子空間分析的人臉身份識別、基于彈 性匹配的人臉身份識別、基于隱馬爾可夫模型的人臉身份識別、基于神經網絡的人臉身份 識別和基于3D的人臉身份識別。如化katsugu等[1]使用一種基于動態鏈接結構的彈性匹配 法來定位人臉，并根據人臉數據庫進行匹配識別。Lin等[2]采用正反例樣本進行強化學習， 從而得到較為理想的概率估計結果，并采用模塊化的網絡結構加快網絡的學習速度。雖然 人臉身份識別研究已積累了寶貴的豐富經驗，但目前的識別技術仍然不能對諸如人臉自身 及所處環境的復雜性等情況進行有效的處理，如表情、姿態、光照強度等條件的變化W及人 臉上的遮擋物，都會使人臉身份識別方法的魯棒性受到很大的影響。
[0004] 本發明針對上述人臉身份識別存在的問題，提出了一種基于GB(SD)2PCANet深度 卷積模型的人臉身份識別方法，不僅吸取了深度模型和Gabor濾波的優點，可W提取數據中 更加抽象的特征，對光照、表情、遮擋等因素具有魯棒性，而且克服了卷積神經網絡耗時及 標簽數目需求量大的缺點。

【發明內容】
：
[0005] 本發明的主要目的是提出一種基于GB(SD)2PCANet深度卷積模型的人臉身份識別 方法，在極大減少光照、表情、遮擋等因素干擾的同時，能夠高效地進行人臉識別。
[0006] 為了實現上述目的，本發明提供如下技術方案，包含訓練階段和測試階段。
[0007] 基于GB(SD)2PCANet深度卷積模型的人臉身份識別方法訓練階段技術方案如下：
[0008] 步驟一、對已知人臉庫中的訓練集人臉圖像進行預處理，包括轉化成灰度圖和調 整圖像尺寸到相同大小P X q;
[0009] 步驟二、將訓練樣本依次送入GB(2D)2PCANet模型的第一個特征提取層，獲取第一 個特征提取層的Gabor特征圖像;具體地，令{布摧1表示人臉圖像訓練集，其中N為訓練集 中的樣本數，Zlf G IRPXq表示一張人臉樣本圖像;將每個樣本Al依次送入第一個特征提取 層，首先進行5個尺度和8個方向結合的2D Gabor濾波，通過降采樣，得到最終的Gabor特征 圖像[3]，記為[巧其中孩f巨脫是特征圖像降采樣后的像素個數，t是2D Gabor 濾波器的個數，t = 40;
[0010 ]步驟S、對每個Gabor特征圖像Bi，掃描提取m X n個11 X 12大小的圖像塊，對圖像塊 進行去均值操作，獲福
其中表示Bi中第j個去均值圖像塊； 所有G a b O r特征圖像經過相同的處理之后，可得到樣本矩陣
，為了方便描述，用連續的序號表 示I中所有的圖像塊并重記為
[OOW 步驟四、利用基于（2D)2PCA的特征投影向量分析方法[4]，同時從行、列兩個方向 提取樣本矩陣I的最優投影軸，作為第一層特征提取階段卷積濾波器，化為第一 層卷積濾波器的個數；
[001。 步驟五、將步驟四學習到的卷積濾波器{Wn.}擔1與訓練集人臉原始圖像掏摧1 分別卷積，得到NXNi個特征圖鞭L恥斯]対1外，其中巧它賊鄰；
[OOK]步驟六、將步驟五得到的每個訓練樣本A擁應的特征圖{7/?己1作為第二個特征 提取層輸入，利用與步驟=至步驟五同樣的特征學習方法，依次學習第二層的（人臉區分性 特征）卷積濾波器{W,N2為第二層卷積濾波器的個數；并用卷積濾波器 {W打2境=1與步驟五得到的特征圖觀'}脫[1斯]，詞l,JV]分別卷積4躬的乂化><化個第二層 特征圖{巧"2}啡州,巧巨.[1典1],打.2€[1所2.].，其中口;;'''2巨股趴9;
[0014] 步驟屯、對步驟六中得到的每個訓練樣本A 1對應的第二層特征圖 (啤。2}娜1馬]馬巧刷二值哈希編碼得到二值化特征圖{帶}左1;具體地，首先利用二 值哈希函數H( ?)將口二值化，其中，當輸入大于0時，H( ?)值為1，當 輸入小于或等于0時，H( ?)值為0;然后將所有由第二層的輸入i?(第一層中由訓練樣本Al 生成的第n個特征圖）二次卷積得到的化個二值化特征圖作為一組，將運化個二值化特征圖 同一像素位置的二進制數組成的二值向量并轉化為十進制數，從而得到一張整數值輸出圖 片r，其中i e [ 1，N]，n e [ 1，化];因此單個樣本Al最終生成化個二值特征圖{Wf }n巧i,wi]，所 有樣本(A. }f二1最終得到NXNi個二值特征圖押巧由円州，的1,WiJ;
[0015] 步驟八、針對每個二值特征圖Hf，其中1￡[1，則，11￡[1，化]，^滑動窗的形式取 [6162]大小的塊，塊的重疊比例為〇，計算每個塊的統計直方圖，記為公/?/?^(巧^)，然后將所 有由單個樣本Al生成的化個二值特征圖的局部區域的統計直方圖拼接起來， 得到人臉圖像Al的最終輸出特征巧=[公川如(耐)，公巧)，".，公W孔(巧Wi)];:
[0016] 步驟九、將步驟八得到的所有樣本{命摧1的輸出特征的推1送入Linear SVM分 類器中訓練，獲得基于GB(2D)2PCANet的最優Linear SVM的人臉身份識別分類模型。
[0017]基于GB(SD)2PCANet深度卷積模型的人臉身份識別方法的測試階段技術方案如 下：
[0018]步驟一:對待測試人臉圖像B進行預處理，包括轉化成灰度圖和調整圖像尺寸到相 同大小P Xq;
[0019]步驟二:與訓練階段類似，將待現聯人臉圖像B與訓練階段第一個特征提取層學習 到的第一層卷積濾波器己1分別卷積得到第一層的特征圖{護}"€^^^;
[0020] 步驟與訓練階段類似，步驟二輸出的特征圖作為第二個特征提取 層原始輸入，與訓練階段第二個特征提取層學習到的卷積濾波器分別卷積得 到第二層的輸出特征圖
：
[0021] 步驟四：與訓練階段類似，對步驟=得到的特征區
做二值 哈希編碼，統計局部區域直方圖，并將所有局部區域的統計直方圖拼接起來，作為人臉圖像 B的最終提取到的特征F;
[0022] 步驟五、將步驟四得到的圖像最終輸出特征F送入訓練好的Linear SVM分類器中 進行分類，獲得分類結果，即人臉識別結果。
[0023] 與現有的技術相比，本發明具有W下有益效果：
[0024] 1、本方法采用深度網絡結構的特征學習方法，吸取了深度學習網絡的優點，能夠 從數據中自動學習到有效的區分性特征表達，取代了手工提取特征，有效提高了自動人臉 身份識別的準確率；
[0025] 2、本方法提出的網絡結構具有平移、旋轉不變性。結合2D Gabor濾波和（2D)2PCA 卷積濾波器的學習，使得模型具有良好的局部特征表達能力，并且對光照、表情和噪音變體 具有較好的魯棒性，有效提升了復雜環境下人臉身份識別的健壯性和識別性能；
[0026] 3、傳統的深度卷積神經網絡W監督學習的方式進行訓練，不僅需要大量的標簽數 據，而且需要繁重的迭代學習。本方法采用無監督的學習方式，大大減少了運算量，提高了 系統的效率。
【附圖說明】：
[0027] 圖1基于GB(SD)2PCANet深度卷積模型的人臉身份識別方法特征學習框架；
[002引圖2在AR人臉庫上，GB(SD)2PCANet模型塊尺寸[bi b2]變化對遮擋的魯棒性；
[00巧]圖3在AR人臉庫上，GB(SD)2PCANet模型塊重疊比例a變化對識別率的影響。
【具體實施方式】
[0030] 為了更好的說明