一種基于多尺度池化的卷積神經網絡人臉識別方法
【專利摘要】本發明公開了一種基于多尺度池化的卷積神經網絡人臉識別方法。該方法利用多尺度池化的卷積神經網絡來提取人臉圖像的特征以實現人臉識別。在構建卷積神經網絡的過程中，采用卷積和最大值采樣交替的方法對特征進行深度提取，另外對每層卷積層采用了多尺度池化的策略和步驟，一并輸入到全連接層，使其具有多尺度的、固定大小的特征列向量。本發明不需要對輸入的人臉圖像做截取或調整尺寸，不同尺寸的圖像都能使用同一個網絡進行訓練和識別。基于多尺度池化的卷積神經網絡不但解決了輸入圖像尺寸可以不固定的問題，使得網絡能夠提取多尺度的人臉特征，而且對網絡性能帶來極大的提升，將會促進多尺度池化的卷積神經網絡在人臉識別中的廣泛應用。
【專利說明】
一種基于多尺度池化的卷積神經網絡人臉識別方法
技術領域
[0001] 本發明屬于深度學習、人臉識別領域，涉及一種基于多尺度池化的卷積神經網絡 人臉識別方法。
【背景技術】
[0002] 人臉識別是一門融合生物學、心理學和認知科學等多學科的生物識別技術，運用 多類技術如模式識別、圖像處理和計算機視覺等，在金融、安防監控、身份識別、社交娛樂與 溝通等領域具有得到廣泛的市場應用前景。目前，國內外對人臉識別的技術研究主要圍繞 特征提取和分類算法這兩個方向展開。基于深度卷積神經網絡的人臉識別技術已經非常成 熟，但傳統的卷積神經網絡的輸入人臉圖像的尺寸都是固定的（例如：256*256)，這是因為 利用BP反向傳播算法更新權重和偏置時需要全連接層有固定輸入維度，但對卷積層和池化 層的輸入的尺寸可以是任意。因此面對輸入人臉圖像尺寸不同時，往往需要對輸入圖像做 截取和固定尺寸的操作，這種人工改變輸入人臉圖像的尺寸破壞原圖像的尺度和長寬比 例，會導致部分重要信息的丟失。

【發明內容】

[0003] 本發明目的在于針對現有人臉識別技術的不足，提供一種基于多尺度池化的卷積 神經網絡人臉識別方法。整個網絡分為3大部分，輸入層，特征提取層和輸出層，其中特征提 取層細分為交替連接的3個卷積層與3個池化層和一個全連接層。最后一個池化層采用了多 尺度池化的策略和步驟，使得輸入到全連接層的是固定大小的特征列向量，最終使得網絡 可以利用BP反向傳播算法進行有監督的訓練。本發明不需要提前對輸入的人臉圖像做截取 或固定大小，采用卷積和最大值池化交替的方法對特征進行深度提取，直到最后一層池化 采用多尺度的方法使得全連接層前的輸入具有固定的大小，全連接層后輸入softmax分類 器輸出類別標簽信息以實現人臉識別。多尺度池化結構使得不同尺寸、大小和長寬比的輸 入圖像都能使用同一個網絡進行訓練和識別分類。通過自動調整池化的采樣尺寸和步長獲 得固定輸出大小的特征矩陣。對比傳統的滑動池化采樣窗口采用單一的采樣尺寸，多尺度 的池化能夠獲得多尺度的人臉特征，使得網絡對目標形變具有較好的魯棒性，不但解決了 輸入圖像尺寸不固定的問題還帶來網絡性能的極大提升。
[0004] 本發明的目的是通過以下技術方案來實現的：一種基于多尺度池化的卷積神經網 絡人臉識別方法，包括以下步驟：
[0005] (1)采集t個人的標準人臉灰度圖，其中每個人采集d張，得到d X t張標準人臉灰度 圖作為訓練圖像;每張訓練圖像對應一個tXl維的二值人臉類別標記向量ylable=[ yi y2 y3 …yt]T，其中第η個人臉圖像的類別標簽向量ylable3中元素 71應滿足以下條件：
[0006]
[0007] (2)卷積神經網絡參數初始化:所述卷積神經網絡包含輸入層II、卷積層C2、池化 層S3、卷積層C4、池化層S5、卷積層C6、多尺度池化層S7、多尺度池化層S8、多尺度池化層S9、 全連接層L10、輸出層011;按照0為均值，0.01為標準方差的高斯分布來隨機初始化卷積層 C2的k個aXa像素的小塊作為卷積核模板，定義為權重_，i = l，j = l，2, . . .，k;此外對應 If 位置的偏置&f，j = l，2,. . .，k初始化為0;類似的，隨機初始化卷積層C4的p個bXb大小的 卷積核模板，定義為權重^^4，i = l，2, . . .，k, j = l，2, . . .，p和對應位置的偏置= l， 2，. . .，p ;隨機初始化卷積層C6的q個c X c大小的卷積核模板，定義為權重%:i = 1， 2，. . .，p，j = 1，2，. . .，q和對應位置的偏置j = 1，2，. . .，q。所有的權重Kij和偏置bj都是 J 可訓練的網絡參數；
[0008] (3)輸入層11:對輸入大小為w X h的圖像X (w，h不固定）的所有像素X i進行減均值 和歸一化的預處理，將預處理后的圖像Χιη作為輸入層。
[0009] (4)卷積層C2:由k個不同的特征圖譜Xf，.j = l，2, . . .，k組成，每個特征圖譜由輸 入圖像Χιη分別與k個卷積核模板Ku進行卷積運算，卷積結果加上偏置匕，再經過一個激活函 數ReLU( ·)得到;每個特征圖譜;Tf2具體計算公式為：
[0010]
[0011 ] 其中?代表步長為1的卷積運算，激活函數ReLU (X) = max (0，X); 的大小均為 (h-a+1)X(w-a+1)；
[0012] (5)池化層S3:采用最大值采樣對卷積層C2得到的結果進行統計計算。采樣尺寸為 m，采樣方法為取采樣區域的最大值，采樣區域不重疊;池化層S3的每個特征圖譜if 3，i = 1，2,. . .，k由卷積層C2的每個特征圖譜Z^，j = l，2,. . .，k下采樣得到。采樣后的水平和垂 直空間分辨率變為原來的1/m，大小為(h-a+l/m) X (w-b+1/m);
[0013] (6)卷積層C4:特征圖譜尤；$3，1 = 1，2，...氺通過卷積操作，由1^個擴展至?個;特征 圖譜之間采用完全連接的機制，即卷積層C4的每個特征圖譜;Tf4, j = l，2, . . .，p都與前一 層的k個特征圖譜連接，相連接的區域進行卷積操作，卷積結果加和并且加入偏置，再經過 激活函數ReLU( ·)得到;每個特征圖譜If4具體計算公式為：
[0014]
[0015] 其中?代表步長為1的卷積運算，激活函數ReLU(x) =max(0，x);
[0016] (7)池化層S5:采用最大值采樣，采樣尺寸為n，采樣方法為取采樣區域的最大值， 采樣區域不重疊，采樣后得到的P個特征圖譜Af的水平和垂直空間分辨率變為原來的1/n;
[0017] (8)卷積層C6:特征圖譜通過卷積操作，由p個擴展至q個;特征圖譜之間采用 完全連接的機制，每個特征圖譜Xf具體計算公式為：
[0018]
[0019] 其中?代表步長為1的卷積運算，激活函數ReLU(x) =max(0，x);
[0020] (9)多尺度池化層S7:對卷積層C6的q個特征圖譜進行三種不同尺度size和步 長8杜1(^的采樣，使得輸出空間塊大小固定為1\1\9,2\2\9,3\3\9，具體計算公式如
下：
[0021]
[0022]
[0023] 其中，PU·」分別表示向上取整和向下取整，rXs為輸入圖像經過卷積層C6后得到 的每個特征圖譜Xf6的大小；
[0024] 按照列的順序展開得到1乂(1，4\(1，9\(1的特征矩陣，最后依次級聯，成為固定尺 寸的（14Xq) X 1特征列向量。
[0025] (10)多尺度池化層S8:類似步驟(9)對卷積層C2的k個特征圖譜Xf進行三種不同 尺度和步長的采樣，使得成為固定尺寸的（14Xk) X 1特征列向量。
[0026] (11)多尺度池化層S9:類似步驟(9)對卷積層C4的p個特征圖譜進行三種不同 尺度和步長的采樣，使得成為固定尺寸的（14Xp) X 1特征列向量。
[0027] (12)全連接層L10:3個多尺度池化層得到的特征列向量均通過全連接方式得到輸 出表達列向量Xf c，大小為f X 1，f〈（ 14 X k);
[0028] (13)輸出層011:全連接層L10得到的輸出表達列向量Xf c，輸入至t維的sof t-max分 類器，得到分類結果標簽向量，最大值元素所在標號表示該圖像屬于該類別標簽的人 臉；
[0029] (14)對于步驟(1)采集的dXt張人臉訓練圖重復步驟(3)~步驟(13)，分別得到各 自的tXl維的分類結果標簽向量 yciutput，與步驟（1)中的ylable3構成均方差誤差代價函數，利 用BP反向傳播算法進行有監督訓練，當均方差誤差代價達到要求后完成訓練，得到完整的 多尺度池化卷積神經網絡；
[0030] (15)采集步驟（1)中t個人中任一個人的人臉圖像作為測試人臉圖像，通過步驟 (3)~步驟(13)得到tXl維分類結果標簽向量 yciutput，其最大值元素所在標號即為該測試人 臉圖像的類別標簽，從而實現人臉識別。其中，1：、(1、'\￥、11、1^4、9、3、13、〇、111、11、1'、8和€均為自然 數。
[0031] 本發明的有益效果是，本發明采用卷積層和池化層級聯的卷積神經網絡來提取人 臉圖像特征，并對每層卷積層額外采用多尺度采樣，獲得多尺度的特征表達列向量，豐富特 征表達。將3層多尺度池化層的特征列向量一并輸入到全連接層，使其產生多尺度的、固定 大小的特征列向量，解決了傳統卷積神經網絡訓練過程中，利用BP反向傳播更新權重和偏 置時必須固定輸入圖像大小的弊端，同時可以利用多種尺寸的輸入圖像對同一個網絡進行 訓練和測試。連接多個層次的特征圖譜對于學習合適的特征表達具有關鍵意義，這樣的網 絡結構相比單層的級聯的卷積與池化交替的網絡結構得到了較大的性能提升。本發明提出 新的基于多尺度池化的卷積神經網絡人臉識別方法不但解決了輸入圖像尺寸可以不固定 的問題，使得網絡能夠提取多尺度的人臉特征，對目標的變形具有較好的魯棒性，而且對網 絡性能帶來極大的提升，將會促進多尺度池化卷積神經網絡在人臉識別中的廣泛應用。
【附圖說明】
[0032]圖1為卷積操作示意圖；
[0033] 圖2為池化層最大值采樣操作示意圖；
[0034] 圖3為多尺度池化層采用操作示意圖；
[0035] 圖4為多尺度池化的卷積神經網絡示意圖；
[0036] 圖5為多尺度池化的卷積神經網絡的結構框圖。
【具體實施方式】
[0037] 以下結合附圖和實施實例對本發明作進一步說明。
[0038] 本發明一種基于多尺度池化的卷積神經網絡人臉識別方法，包括以下步驟：
[0039] (1)采集100個人的標準人臉灰度圖，其中每個人采集50張，得到5000張標準人臉 灰度圖作為訓練圖像;每張訓練圖像對應一個100 XI維的二值人臉類別標記向量yiabie = [yi y2 y3…yt]T，其中第η個人臉圖像的類別標簽向量yiabie中元素 yi應滿足以下條件：
[0040]
[0041] 例如第1個人的類別標簽向量yiabie=[l 0 0…0]τ，第一個元素為1，其余為0。其 他人臉圖像的類別標簽向量類似；
[0042] (2)卷積神經網絡參數初始化:所述卷積神經網絡的結構框圖如圖5所示，包含輸 入層II、卷積層C2、池化層S3、卷積層C4、池化層S5、卷積層C6、多尺度池化層S7、多尺度池化 層S8、多尺度池化層S9、全連接層L10、輸出層011;按照0為均值，0.01為標準方差的高斯分 布來隨機初始化卷積層C2的20個5 X 5像素的小塊作為卷積核模板，定義為權重i = 1， ij j = 1，2，. . .，20;此外對應位置的偏置Μ' j = 1，2，. . .，20初始化為0;類似的，隨機初始化 卷積層C4的40個3 X 3大小的卷積核模板，定義為權重' i = 1，2，. . .，20，j = 1，2，. . .，40 ff 和對應位置的偏置j = 1，2，. . .，40;隨機初始化卷積層C6的60個3 X 3大小的卷積核模 J 板，定義為權重f e6,i = l，2, . . .，40, j = l，2, . . .，60和對應位置的偏置6e6，j = l，2,...， ij f 60。所有的權重K i j和偏置b j都是可訓練的網絡參數；
[0043] (3)輸入層II:經過預處理后的圖像Χιη作為輸入層。預處理操作具體如下：對輸入 大小為64X64的圖像的所有像素^進行減均值和歸一化的預處理，得到圖像&"定義如下：
[0044]
[0045] 其中均值^6和標準差〇如下：
[0046]
[0047]
[0048] (4)卷積層C2:由20個不同的特征圖譜尤；^]_ = 1，2，...，20組成，每個特征圖譜由 輸入圖像Χιη分別與20個卷積核模板進行卷積運算，卷積過程如圖1所示，卷積結果加上 偏置匕，再經過一個激活函數ReLU( ·)得到;每個特征圖譜具體計算公式為：
[0049]
[0050] 其中發代表步長為1的卷積運算，激活函數ReLU (X )= max (0，X); Xf2的大小均為 60X60；
[0051] (5)池化層S3:采用最大值采樣對卷積層C2得到的結果進行統計計算。采樣尺寸為 2,采樣方法為取采樣區域的最大值，采樣區域不重疊;池化層S3的每個特征圖譜Zf 3，i = 1，2,. . .，20由卷積層C2的每個特征圖譜Xf2, j = l，2,. . .，20下采樣得到。
[0052] 采樣操作如圖2所示，例如卷積層C2的第1個特征圖譜If2的第一個采樣區域為
，采樣結果得到池化層S3的第1個特征圖譜Xf3的第一個輸入 yi，其中采樣方法為 取4者中的最大值，8卩71=11^1(1142 43 44);其他輸出也類似，得到池化層33的20個特征圖 譜X_f，i = l，2,...，20;采樣后的水平和垂直空間分辨率變為原來的1/2,大小為30X30;
[0053] (6)卷積層C4:特征圖譜If，i = l，2, ...，k通過卷積操作，由20個擴展至40個;特 征圖譜之間采用完全連接的機制，即卷積層C4的每個特征圖譜Zf4,j = l，2, . . .，40都與前 一層的20個特征圖譜連接，相連接的區域進行卷積操作，卷積結果加和并且加入偏置，再經 過激活函數ReLU( ·)得到;每個特征圖譜具體計算公式為：
[0054] ij,
./
[0055] 其中#代表步長為1的卷積運算，激活函數ReLU (x) = max (0，x);得到40個特征圖 譜大小為28X28;
[0056] (7)池化層S5:采用最大值采樣，采樣尺寸為2，采樣方法為取采樣區域的最大值， 采樣區域不重疊，采樣后的得到40個特征圖譜Zf的水平和垂直空間分辨率變為原來的1/ 2,大小為14X14;
[0057] (8)卷積層C6:特征圖譜通過卷積操作，由40個擴展至60個;特征圖譜之間采用完 全連接的機制，每個特征圖譜具體計算公式為：
[0058]
[0059] 其中€)代表步長為1的卷積運算，激活函數ReLU(X) =max(0，X);得到40個特征圖 譜大小為12X12;
[0060] (9)多尺度池化層S7:如圖3所示，對60個特征圖譜.V；6進行三種不同尺度size和步 長stride的采樣，使得最后輸出空間塊大小固定為1 X 1 X 60，2 X 2 X 60，3 X 3 X 60。例如輸 入大小為64X64的圖像經過卷積層C6后得到60個特征圖譜的大小為12X12,通過3種采 樣尺寸和步長進行最大值采樣，具體計算公式如下：
[0061 ] size = 12X12,6X6,4X4
[0062] stride = 12X12,6X6,4X4
[0063]其中，size和stride分別表示采樣尺寸和步長。如此操作得到輸出空間塊大小為1 X1X60,2X2X60,3X3X 60，并且按照列的順序展開得到1 X 60，4 X 60，9 X 60的特征矩 陣，最后依次級聯，成為固定尺寸的840X1特征列向量。
[0064] 多尺度池化層是實現輸入圖像尺寸不固定的關鍵技術，使得可以用不同大小的圖 片進行訓練和測試，使得網絡對目標的變形變得魯棒;例如另外一幅圖像的大小為80X64， 到卷積層C6的60個特征圖譜大小為16 X 12，為了能得到固定尺寸1 X 60，4 X 60，9 X 60的特 征向量矩陣，網絡將按照采樣尺寸和步長的公式自動調整，進行最大值采樣，此時的采樣尺 寸和步長分別為：
[0065] size = 16 X 12,8 X 6,6 X 4； stride = 16X12,8X6,5X4；
[0066] (10)多尺度池化層S8:類似步驟(9)對卷積層C2的20個特征圖譜If2進行三種不同 尺度size和步長stride的采樣，尺寸分別為size = 60 X 60,30 X 30,20 X 20，步長分別為 stride = 60 X 60，30 X 30，20 X 20，使得成為固定尺寸的280 X 1特征列向量。
[0067] (11)多尺度池化層S9:類似步驟(9)對卷積層C4的40個特征圖譜Xf*進行三種不同 尺度size和步長stride的采樣，尺寸分別為size = 28 X 28,14X14，10X 10,步長分別為 stride = 28 X 28，14 X 14，9 X 9，使得成為固定尺寸的560 X 1特征列向量。
[0068] (12)全連接層L10:3個多尺度池化層得到特征列向量均通過全連接方式得到輸出 表達列向量X fc，大小為200 X 1;
[0069] (13)輸出層011:全連接層L8得到的輸出表達列向量Xfc，輸入至100維的soft-max 分類器，得到分類結果標簽向量youtput，最大值元素所在標號表示該圖像屬于該類別標簽的 人臉；
[0070] (14)對于步驟(1)采集的5000張人臉訓練圖重復步驟(3)~步驟（13)，分別得到各 自的100 X 1維的分類結果標簽向量youtput，與步驟（1)中的ylable3構成均方差誤差代價函數， 利用BP反向傳播算法進行有監督訓練，當均方差誤差代價達到要求后完成訓練，得到完整 的多尺度池化卷積神經網絡，以輸入圖像大小為64X64的網絡示意圖如圖4所示，每一層的 特征圖譜數量及大小，卷積核大小和采樣尺寸等均在圖4中所示;整體的網絡結構框圖如圖 5所示；
[0071] (15)采集步驟（1)中100個人中任一個人的人臉圖像作為測試人臉圖像，重復步驟 (3)~步驟(13)計算得到分類結果標簽100\1維的向量 7。11_*，其最大值元素所在標號即為 該測試人臉圖像的類別標簽，從而實現人臉識別。
[0072] 以上所述僅為本發明的優選實施方式，但本發明保護范圍并不局限于此。任何本 領域的技術人員在本發明公開的技術范圍內，均可對其進行適當的改變或變化，而這種改 變或變化都應涵蓋在本發明的保護范圍之內。
【主權項】
1. 一種基于多尺度池化的卷積神經網絡人臉識別方法，其特征在于，該方法包括W下 步驟： (1) 采集t個人的標準人臉灰度圖，其中每個人采集d張，得到d X t張標準人臉灰度圖作 為訓練圖像;每張訓練圖像對應一個tXl維的二值人臉類別標記向量yiabie=[yi y2 y3… yt]T，其中第η個人臉圖像的類別標簽向量yiabie中元素 yi應滿足W下條件：(2) 卷積神經網絡參數初始化:所述卷積神經網絡包含輸入層II、卷積層C2、池化層S3、 卷積層C4、池化層S5、卷積層C6、多尺度池化層S7、多尺度池化層S8、多尺度池化層S9、全連 接層L10、輸出層011;按照0為均值，0.01為標準方差的高斯分布來隨機初始化卷積層C2的k 個aXa像素的小塊作為卷積核模板，定義為權重A';'2，/' = 1，/ = U，...，A:;此外對應位置的 偏置二1，2，...，A初始化為0;類似的，隨機初始化卷積層C4的P個bXb大小的卷積核模 板，定義為權重=1，2:，...，套J二I，2，...，/巧日對應位置的偏置= I、2，...，/,;隨機初 始化卷積層C6的q個C Xc大小的卷積核模板，定義為權重/(' <',/ = 1,2,..，八/ = 1,2,...,每和 y 對應位置的偏置J二1，2,…，f/。所有的權重Kij和偏置bj都是可訓練的網絡參數。 (3) 輸入層II:對輸入大小為wXh的圖像X(w，h不固定)的所有像素 XI進行減均值和歸一 化的預處理，將預處理后的圖像Xin作為輸入層。 (4) 卷積層C2:由k個不同的特征圖譜Xf J = l，2，...，表組成，每個特征圖譜由輸入圖像 Xin分別與k個卷積核模板Κυ進行卷積運算，卷積結果加上偏置bj，再經過一個激活函數ReLU (·)得到;每個特征圖譜Xf具體計算公式為：其中:?代表步長為1的卷積運算，激活函數ReLU(X) = max (0，X);.2的大小均為化-a+ 1) X(w-a+1)ο (5) 池化層S3:采用最大值采樣對卷積層C2得到的結果進行統計計算。采樣尺寸為m，采 樣方法為取采樣區域的最大值，采樣區域不重疊；池化層S3的每個特征圖譜 Xf3，/二1，2，.，.，表由卷積層C2的每個特征圖譜Zf'，/二1，2，...，A'下采樣得到。采樣后的水 平和垂直空間分辨率變為原來的1/m，大小為化-a+1/m) X (w-b+1/m)。 (6) 卷積層C4:特征圖譜義f，i =1,2，.、.，克通過卷積操作，由k個擴展至P個;特征圖譜之 間采用完全連接的機制，即卷積層C4的每個特征圖譜義^，7' = 1，2，...，/?都與前一層的1^個 特征圖譜連接，相連接的區域進行卷積操作，卷積結果加和并且加入偏置，再經過激活函數 ReLU(.)得到;每個特征圖譜具體計算公式為：其中@代表步長為1的卷積運算，激活函數ReLU (X) = max (0，X)。 (7) 池化層S5:采用最大值采樣，采樣尺寸為n，采樣方法為取采樣區域的最大值，采樣 區域不重疊，采樣后得到的P個特征圖譜Jf的水平和垂直空間分辨率變為原來的1/n。 (8) 卷積層C6:特征圖譜通過卷積操作，由P個擴展至q個;特征圖譜之間采用完全連 接的機制，每個特征圖譜方f具體計算公式為：其中@代表步長為1的卷積運算，激活函數ReLU(x)=max(0，x)。 (9) 多尺度池化層S7:對卷積層C6的q個特征圖譜義f進行Ξ種不同尺度size和步長 stride的采樣，使得輸出空間塊大小固定為lXlXq，2X2Xq，3X3Xq，具體計算公式如 下：其中，「.?，?_.」分別表示向上取整和向下取整，rXs為輸入圖像經過卷積層C6后得到的每 個特征圖譜的大小. 按照列的順序展開得到1 X q，4 X q，9 X q的特征矩陣，最后依次級聯，成為固定尺寸的 (14Xq) X 1特征列向量。 (10) 多尺度池化層S8:類似步驟(9)對卷積層C2的k個特征圖譜；進行Ξ種不同尺度 和步長的采樣，使得成為固定尺寸的（14Xk) XI特征列向量。 (11) 多尺度池化層S9:類似步驟(9)對卷積層C4的P個特征圖譜-Yf進行S種不同尺度 和步長的采樣，使得成為固定尺寸的（14Xp) X 1特征列向量。 (12) 全連接層L10:3個多尺度池化層得到的特征列向量均通過全連接方式得到輸出表 達列向量沿C，大小為fXl，f<(14Xk)。 (13) 輸出層011:全連接層L10得到的輸出表達列向量Xfc，輸入至t維的soft-max分類 器，得到分類結果標簽向量youtput，最大值元素所在標號表示該圖像屬于該類別標簽的人 臉。 (14) 對于步驟（1)采集的dXt張人臉訓練圖重復步驟(3)~步驟（13)，分別得到各自的 tXl維的分類結果標簽向量youtput，與步驟（1)中的yiable構成均方差誤差代價函數，利用BP 反向傳播算法進行有監督訓練，當均方差誤差代價達到要求后完成訓練，得到完整的多尺 度池化卷積神經網絡。 (15)采集步驟（1)中t個人中任一個人的人臉圖像作為測試人臉圖像，通過步驟(3)~ 步驟（13)得到tXl維分類結果標簽向量ywtput，其最大值元素所在標號即為該測試人臉圖 像的類別標簽，從而實現人臉識別。
【文檔編號】G06K9/00GK105975931SQ201610288560
【公開日】2016年9月28日
【申請日】2016年5月4日
【發明人】劉云海, 吳斯
【申請人】浙江大學