技術(shù)領(lǐng)域：

本發(fā)明屬于機(jī)器視覺(jué)領(lǐng)域，特別涉及一種基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法。

背景技術(shù)：
：

人臉身份識(shí)別技術(shù)是利用計(jì)算機(jī)分析人臉的圖像或視頻流，從中提取每個(gè)人臉?biāo)N(yùn)含的特征，并通過(guò)這些提取的特征識(shí)別身份的一種技術(shù)。

近年來(lái)，人臉身份識(shí)別技術(shù)得到較快的發(fā)展，并取得了大量的研究成果。目前，最主要的人臉身份識(shí)別方法可分為幾類(lèi)：基于幾何特征的人臉身份識(shí)別、基于相關(guān)匹配的人臉身份識(shí)別、基于子空間的人臉身份識(shí)別、基于統(tǒng)計(jì)的人臉身份識(shí)別、基于彈性匹配的人臉身份識(shí)別、基于神經(jīng)網(wǎng)絡(luò)的人臉身份識(shí)別和基于三維模型的人臉身份識(shí)別等。人臉身份識(shí)別在理論研究和實(shí)際應(yīng)用中都有十分重要的價(jià)值。近年來(lái)，雖然人臉身份識(shí)別在理論研究中積累了寶貴的經(jīng)驗(yàn),但在實(shí)際的應(yīng)用中，由于人臉的表情、姿態(tài)、光照強(qiáng)度、遮擋物、噪聲變化等問(wèn)題使得人臉身份識(shí)別的魯棒性受到很大的影響，因而人臉身份識(shí)別在實(shí)際應(yīng)用中面臨諸多的挑戰(zhàn)。

本發(fā)明為了克服上述人臉身份識(shí)別現(xiàn)有技術(shù)中的問(wèn)題，提出了一種基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法。此方法不僅克服了cnn耗時(shí)、標(biāo)簽數(shù)目需求量大及gabor濾波數(shù)據(jù)冗余、選取方向時(shí)離散無(wú)旋轉(zhuǎn)不變性的缺點(diǎn)，而且吸取了深度模型和環(huán)形對(duì)稱(chēng)gabor濾波器(circularsymmetricgaborfilter,csgf)的優(yōu)點(diǎn)，可以提取數(shù)據(jù)中更加抽象的特征，對(duì)光照、表情、遮擋等因素具有魯棒性。

技術(shù)實(shí)現(xiàn)要素：
：

本發(fā)明的主要目的是提出一種基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法，具有旋轉(zhuǎn)不變性，在各個(gè)方向都具有相同的濾波作用，能夠高效地進(jìn)行人臉識(shí)別。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案，包含訓(xùn)練階段和測(cè)試階段。

基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法訓(xùn)練階段技術(shù)方案如下：

步驟一、對(duì)訓(xùn)練圖像進(jìn)行預(yù)處理，包括將圖像轉(zhuǎn)化為灰度圖、調(diào)整圖像尺寸為p×q；

步驟二、將訓(xùn)練樣本依次送入csgf(2d)²pcanet模型的第一個(gè)特征提取層，獲取第一個(gè)特征提取層的csgf特征圖像；具體地，令表示人臉圖像訓(xùn)練集，其中n為訓(xùn)練集中的樣本數(shù)，表示一張人臉樣本圖像；將每個(gè)樣本ai依次送入第一個(gè)特征提取層，首先進(jìn)行csgf，通過(guò)降采樣，得到最終的csgf特征圖像[1]，記為其中s是特征圖像降采樣后的像素個(gè)數(shù)，t是csgf的個(gè)數(shù)，t＝5；

步驟三、對(duì)每個(gè)csgf特征圖像bi，掃描提取大小相同的圖像塊(m×n個(gè)l1×l2大小的圖像塊)，對(duì)圖像塊采取去均值操作，獲得其中表示bi中第j個(gè)去均值圖像塊；所有csgf特征圖像經(jīng)過(guò)相同的處理之后，可得到樣本矩陣為了方便描述，用連續(xù)的序號(hào)表示i中所有的圖像塊并重記為

步驟四、利用基于(2d)²pca的特征投影向量分析方法[2]，同時(shí)從行、列兩個(gè)方向提取樣本矩陣i的最優(yōu)投影軸，作為第一層特征提取階段卷積濾波器n1為第一層卷積濾波器的個(gè)數(shù)；

步驟五、將步驟四學(xué)習(xí)到的卷積濾波器與訓(xùn)練集人臉原始圖像分別卷積，得到第一層的輸出特征圖(n×n1個(gè)特征圖其中)；

步驟六、將步驟五得到的每個(gè)訓(xùn)練樣本ai對(duì)應(yīng)的特征圖作為第二個(gè)特征提取層輸入，利用與步驟三至步驟五同樣的特征學(xué)習(xí)方法，依次學(xué)習(xí)第二層的(人臉區(qū)分性特征)卷積濾波器n2為第二層卷積濾波器的個(gè)數(shù)；并用卷積濾波器與步驟五得到的特征圖分別卷積，得到n×n1×n2個(gè)第二層特征圖其中

步驟七、對(duì)步驟六中得到的每個(gè)訓(xùn)練樣本ai對(duì)應(yīng)的第二層特征圖二值哈希編碼得到二值化特征圖具體地，首先利用二值哈希函數(shù)h(·)將二值化，其中，當(dāng)輸入大于0時(shí)，h(·)值為1，當(dāng)輸入小于或等于0時(shí)，h(·)值為0；然后將所有由第二層的輸入(第一層中由訓(xùn)練樣本ai生成的第n個(gè)特征圖)二次卷積得到的n2個(gè)二值化特征圖作為一組，將這n2個(gè)二值化特征圖同一像素位置的二進(jìn)制數(shù)組成的二值向量并轉(zhuǎn)化為十進(jìn)制數(shù)，從而得到一張整數(shù)值輸出圖其中i∈[1,n],n∈[1,n1]；因此單個(gè)樣本ai最終生成n1個(gè)二值特征圖所有樣本最終得到n×n1個(gè)二值特征圖

步驟八、針對(duì)每個(gè)二值特征圖其中i∈[1,n],n∈[1,n1]，以滑動(dòng)窗的形式取[b1b2]大小的塊,塊的重疊比例為α,計(jì)算每個(gè)塊的統(tǒng)計(jì)直方圖，記為然后將所有由單個(gè)樣本ai生成的n1個(gè)二值特征圖的局部區(qū)域的統(tǒng)計(jì)直方圖拼接起來(lái)，得到人臉圖像ai的最終輸出特征

步驟九、將步驟八得到的所有樣本的輸出特征送入linearsvm分類(lèi)器中訓(xùn)練，獲得基于csgf(2d)²pcanet的最優(yōu)linearsvm的人臉身份識(shí)別分類(lèi)模型。

基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法的測(cè)試階段技術(shù)方案如下：

步驟一：對(duì)待測(cè)試人臉圖像b進(jìn)行預(yù)處理，包括將圖像轉(zhuǎn)化成灰度圖、調(diào)整圖像尺寸為p×q；

步驟二：與訓(xùn)練階段類(lèi)似，將待測(cè)試人臉圖像b與訓(xùn)練階段第一個(gè)特征提取層學(xué)習(xí)到的第一層卷積濾波器分別卷積得到第一層的特征圖

步驟三：與訓(xùn)練階段類(lèi)似，步驟二輸出的特征圖作為第二個(gè)特征提取層原始輸入，與訓(xùn)練階段第二個(gè)特征提取層學(xué)習(xí)到的卷積濾波器分別卷積得到第二層的輸出特征圖

步驟四：與訓(xùn)練階段類(lèi)似，對(duì)步驟三得到的特征圖做二值哈希編碼，統(tǒng)計(jì)局部區(qū)域直方圖，并將所有局部區(qū)域的統(tǒng)計(jì)直方圖拼接起來(lái)，作為人臉圖像b的最終提取到的特征

步驟五、將步驟四得到的圖像最終輸出特征送入訓(xùn)練好的linearsvm分類(lèi)器中進(jìn)行分類(lèi)，獲得分類(lèi)結(jié)果，即人臉識(shí)別結(jié)果。

與現(xiàn)有的技術(shù)相比，本發(fā)明具有以下有益效果：

1、本方法采取無(wú)監(jiān)督學(xué)習(xí)方式，不僅克服了監(jiān)督學(xué)習(xí)方式需要大量標(biāo)簽數(shù)據(jù)，而且需要繁重的迭代學(xué)習(xí)的缺點(diǎn)，大大減少了運(yùn)算量，提高了系統(tǒng)的效率；

2、本方法采用深度網(wǎng)絡(luò)結(jié)構(gòu)的特征學(xué)習(xí)方法，取代了手工提取特征,吸取了深度學(xué)習(xí)網(wǎng)絡(luò)能夠從數(shù)據(jù)中自動(dòng)學(xué)習(xí)到有效的區(qū)分性特征表達(dá)的優(yōu)點(diǎn)，有效提高了自動(dòng)人臉身份識(shí)別的準(zhǔn)確率；

3、本方法提出的網(wǎng)絡(luò)結(jié)構(gòu)具有平移、旋轉(zhuǎn)不變性的特點(diǎn)。結(jié)合csgf和(2d)²pca卷積濾波器的學(xué)習(xí)，csgf降低了數(shù)據(jù)冗余，節(jié)省了大量的計(jì)算時(shí)間，且對(duì)各個(gè)方向具有相同的濾波作用，具有旋轉(zhuǎn)不變性，能保持各方向下的特征，同時(shí)csgf使得模型具有良好的局部特征表達(dá)能力，并且對(duì)光照、表情、遮擋、姿態(tài)和噪聲等變化具有較好的魯棒性，有效提高了復(fù)雜環(huán)境下人臉身份識(shí)別的準(zhǔn)確率。

本發(fā)明具有較高的魯棒性，達(dá)到了較高的人臉身份識(shí)別精度。

因此，本發(fā)明在人臉身份識(shí)別領(lǐng)域有廣泛的應(yīng)用前景。

附圖說(shuō)明：

圖1基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法特征學(xué)習(xí)框架；

具體實(shí)施方式

為了更好的說(shuō)明本發(fā)明的目的、具體步驟以及特點(diǎn)，下面結(jié)合附圖,以ar人臉庫(kù)[3]為例，對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明：

本發(fā)明提出的一種基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法，其中csgf(2d)²pcanet深度卷積模型如圖1所示。csgf(2d)²pcanet由兩個(gè)特征提取層和一個(gè)非線性輸出層組成，特征提取層的卷積濾波器由csgf和(2d)²pca學(xué)習(xí)得到，用于卷積原始輸入圖像提取特征，非線性輸出層包括二值哈希和局部直方圖計(jì)算操作，用于進(jìn)一步計(jì)算出最終的特征。

本發(fā)明提出的一種基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法，包含訓(xùn)練階段和測(cè)試階段。

基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法訓(xùn)練階段技術(shù)方案如下：

步驟一、對(duì)訓(xùn)練圖像進(jìn)行預(yù)處理，包括將圖像轉(zhuǎn)化為灰度圖、調(diào)整圖像尺寸得到相同大小為p×q；

步驟二、將訓(xùn)練樣本依次送入csgf(2d)²pcanet模型的第一個(gè)特征提取層，獲取第一個(gè)特征提取層的csgf特征圖像；具體地，令表示人臉圖像訓(xùn)練集，其中n為訓(xùn)練集中的樣本數(shù)，表示一張人臉樣本圖像；將每個(gè)樣本ai依次送入第一個(gè)特征提取層，首先進(jìn)行csgf，通過(guò)降采樣，得到最終的csgf特征圖像[3]，記為其中s是特征圖像降采樣后的像素個(gè)數(shù)，t是csgf的個(gè)數(shù)，t＝5；

步驟三、對(duì)每個(gè)csgf特征圖像bi，掃描提取大小相同的圖像塊(m×n個(gè)l1×l2大小的圖像塊)，對(duì)圖像塊采取去均值操作，獲得其中表示bi中第j個(gè)去均值圖像塊；所有csgf特征圖像經(jīng)過(guò)相同的處理之后，可得到樣本矩陣為了方便描述，用連續(xù)的序號(hào)表示i中所有的圖像塊并重記為

步驟四、利用基于(2d)²pca的特征投影向量分析方法[2]，同時(shí)從行、列兩個(gè)方向提取樣本矩陣i的最優(yōu)投影軸，作為第一層特征提取階段卷積濾波器n1為第一層卷積濾波器的個(gè)數(shù)；

步驟五、將步驟四學(xué)習(xí)到的卷積濾波器與訓(xùn)練集人臉原始圖像分別卷積，得到第一層的輸出特征圖(n×n1個(gè)特征圖其中

步驟六、將步驟五得到的每個(gè)訓(xùn)練樣本ai對(duì)應(yīng)的特征圖作為第二個(gè)特征提取層輸入，利用與步驟三至步驟五同樣的特征學(xué)習(xí)方法，依次學(xué)習(xí)第二層的(人臉區(qū)分性特征)卷積濾波器n2為第二層卷積濾波器的個(gè)數(shù)；并用卷積濾波器與步驟五得到的特征圖分別卷積，得到n×n1×n2個(gè)第二層特征圖其中

步驟七、對(duì)步驟六中得到的每個(gè)訓(xùn)練樣本ai對(duì)應(yīng)的第二層特征圖二值哈希編碼得到二值化特征圖具體地，首先利用二值哈希函數(shù)h(·)將二值化，其中，當(dāng)輸入大于0時(shí)，h(·)值為1，當(dāng)輸入小于或等于0時(shí)，h(·)值為0；然后將所有由第二層的輸入(第一層中由訓(xùn)練樣本ai生成的第n個(gè)特征圖)二次卷積得到的n2個(gè)二值化特征圖作為一組，將這n2個(gè)二值化特征圖同一像素位置的二進(jìn)制數(shù)組成的二值向量并轉(zhuǎn)化為十進(jìn)制數(shù)，從而得到一張整數(shù)值輸出圖其中i∈[1,n],n∈[1,n1]；因此單個(gè)樣本ai最終生成n1個(gè)二值特征圖所有樣本最終得到n×n1個(gè)二值特征圖

步驟八、針對(duì)每個(gè)二值特征圖其中i∈[1,n],n∈[1,n1]，以滑動(dòng)窗的形式取[b1b2]大小的塊,塊的重疊比例為α,計(jì)算每個(gè)塊的統(tǒng)計(jì)直方圖，記為然后將所有由單個(gè)樣本ai生成的n1個(gè)二值特征圖的局部區(qū)域的統(tǒng)計(jì)直方圖拼接起來(lái)，得到人臉圖像ai的最終輸出特征

步驟九、將步驟八得到的所有樣本的輸出特征送入linearsvm分類(lèi)器中訓(xùn)練，獲得基于csgf(2d)²pcanet的最優(yōu)linearsvm的人臉身份識(shí)別分類(lèi)模型。

基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法的測(cè)試階段技術(shù)方案如下：

步驟一：對(duì)待測(cè)試人臉圖像b進(jìn)行預(yù)處理，包括將圖像轉(zhuǎn)化成灰度圖、調(diào)整圖像尺寸得到相同大小p×q；

步驟二：與訓(xùn)練階段類(lèi)似，將待測(cè)試人臉圖像b與訓(xùn)練階段第一個(gè)特征提取層學(xué)習(xí)到的第一層卷積濾波器分別卷積得到第一層的特征圖

步驟三：與訓(xùn)練階段類(lèi)似，步驟二輸出的特征圖作為第二個(gè)特征提取層原始輸入，與訓(xùn)練階段第二個(gè)特征提取層學(xué)習(xí)到的卷積濾波器分別卷積得到第二層的輸出特征圖

步驟四：與訓(xùn)練階段類(lèi)似，對(duì)步驟三得到的特征圖做二值哈希編碼，統(tǒng)計(jì)局部區(qū)域直方圖，并將所有局部區(qū)域的統(tǒng)計(jì)直方圖拼接起來(lái)，作為人臉圖像b的最終提取到的特征

步驟五、將步驟四得到的圖像最終輸出特征送入訓(xùn)練好的linearsvm分類(lèi)器中進(jìn)行分類(lèi)，獲得分類(lèi)結(jié)果，即人臉識(shí)別結(jié)果。

上述技術(shù)方案中，訓(xùn)練階段步驟一訓(xùn)練集人臉圖像進(jìn)行預(yù)處理具體方法：

首先將彩色圖像轉(zhuǎn)化為灰度圖，并將圖像尺寸調(diào)整到相同大小p×q,以ar人臉庫(kù)為例，預(yù)處理后，訓(xùn)練集中n張人臉圖像記為其中p×q＝60×43。

上述技術(shù)方案中，訓(xùn)練階段步驟二csgf(2d)²pcanet第一個(gè)特征提取層的csgf特征圖像提取方法為：

1、對(duì)訓(xùn)練集中的每一張人臉圖像ai，進(jìn)行csgf，csgf計(jì)算方法如下：

其中f是濾波器的中心頻率，g(x,y)對(duì)應(yīng)的是高斯核函數(shù)，δ對(duì)應(yīng)的是高斯核函數(shù)g(x,y)的標(biāo)準(zhǔn)差，它決定著高斯核函數(shù)窗口的寬度，是濾波器的尺度參數(shù)，將csgf記為g(f,δ)＝(x,y)；

csgf的中心頻率f和高斯核函數(shù)δ要滿足如下濾波器帶寬b控制的條件：

其中，對(duì)n×n大小的圖像，csgf的中心頻率f通常選擇如下：

根據(jù)本發(fā)明驗(yàn)證實(shí)驗(yàn)所涉及的圖像尺寸大小，分別選取五個(gè)濾波器的中心頻率為：

根據(jù)本發(fā)明所涉及實(shí)驗(yàn)的設(shè)置，取b＝1,所以，fδ＝3λ。將f與λ的值代入，對(duì)應(yīng)δ的取值為：

經(jīng)過(guò)csgf的濾波，特征圖像很好地保留了各個(gè)方向下的特征，保證了特征的旋轉(zhuǎn)不變性；

2、設(shè)原始輸入圖像表示為a(x,y),將上式獲得的csgfg(f,δ)(x,y)，與原始圖像進(jìn)行卷積可以得到csgf的特征圖像：

a(f,δ)(x,y)＝a(x,y)*g(f,δ)(x,y)

其中*表示卷積運(yùn)算，a(f,δ)(x,y)表示對(duì)應(yīng)于尺度f(wàn)與標(biāo)準(zhǔn)差δ的csgf與原始圖像的卷積輸出；

3、對(duì)csgf特征圖像進(jìn)行降采樣，得到最終的csgf特征圖像[1]，記為其中s是特征圖像降采樣后的像素個(gè)數(shù)，t是csgf的個(gè)數(shù)；以ar人臉庫(kù)為例，以d＝4對(duì)所有t個(gè)csgf特征圖像av,u(x,y)降采樣，降采樣后的輸出轉(zhuǎn)換成向量的形式,將t個(gè)向量依次連接起來(lái)形成一個(gè)向量,該向量即可用來(lái)表示一幅圖像的csgf特征向量:r＝5；所有的訓(xùn)練樣本的csgf特征圖像記為

上述技術(shù)方案中，訓(xùn)練階段步驟四(2d)²pca的特征投影向量分析方法為：

1、假設(shè)第一層卷積濾波器的個(gè)數(shù)是n1(以ar人臉庫(kù)為例，n1＝3)；對(duì)于樣本矩陣i中的每個(gè)圖像塊從行的方向，尋找最優(yōu)投影軸行協(xié)方差矩陣定義如下：其中是所有訓(xùn)練樣本的平均值；對(duì)行協(xié)方差矩陣g^row進(jìn)行k-l分解，由g^row的前n1個(gè)最大特征值對(duì)應(yīng)的特征向量構(gòu)成，記為

2、同樣地，從列的方向，尋找最優(yōu)投影軸列協(xié)方差矩陣定義如下：由列協(xié)方差矩陣g^col的前n1個(gè)最大特征值對(duì)應(yīng)的特征向量構(gòu)成，記為

3、計(jì)算n1個(gè)卷積濾波器：wn＝y(tǒng)nxn^t，n＝1,2,…,n1。

上述技術(shù)方案中，訓(xùn)練階段步驟五中第一層特征圖的計(jì)算方法為：

其中*表示卷積運(yùn)算，n∈[1,n1]，i∈[1,n]；最終可獲得n×n1個(gè)特征圖

上述技術(shù)方案中，訓(xùn)練階段步驟六csgf(2d)²pcanet第二個(gè)特征提取層的特征學(xué)習(xí)方法與第一個(gè)特征提取層的特征學(xué)習(xí)方法相同，如圖1所示，對(duì)每一個(gè)輸入樣本ai，以步驟五得到的n1個(gè)特征圖作為第二個(gè)特征提取層輸入，假設(shè)第二層卷積濾波器的個(gè)數(shù)是n2(以ar人臉庫(kù)為例，n2＝4)，學(xué)習(xí)得到n2個(gè)卷積濾波器將卷積濾波器與n1個(gè)特征圖分別卷積,共得到n1×n2個(gè)特征圖其中所有樣本生成的第一層特征圖依次送入第二層，最終獲得n×n1×n2個(gè)第二層特征圖

上述技術(shù)方案中，訓(xùn)練階段步驟七中二值哈希編碼的具體計(jì)算方法為：

1、利用二值哈希函數(shù)h(·)將每個(gè)訓(xùn)練樣本ai對(duì)應(yīng)的第二層特征圖二值化，其中，當(dāng)輸入大于0時(shí)，h(·)值為1，當(dāng)輸入小于或等于0時(shí)，h(·)值為0；

2、將所有由第二層的同一個(gè)輸入(第一層中由訓(xùn)練樣本ai生成的第n個(gè)特征圖)二次卷積得到的n2個(gè)二值化特征圖作為一組，將這n2個(gè)二值化特征圖同一像素位置的二進(jìn)制數(shù)組成的二值向量并轉(zhuǎn)化為十進(jìn)制數(shù)，從而得到一張整數(shù)值輸出圖其中i∈[1,n],n∈[1,n1]，因此單個(gè)樣本ai最終生成n1個(gè)二值特征圖所有樣本最終得到n×n1個(gè)二值特征圖

上述技術(shù)方案中，訓(xùn)練階段步驟八中局部統(tǒng)計(jì)直方圖的具體計(jì)算方法為：

對(duì)于每個(gè)輸出圖其中i∈[1,n],n∈[1,n1]，以滑動(dòng)窗的形式取[b1b2]大小的塊,塊的重疊比例為α(以ar人臉庫(kù)為例，b1×b2＝3×2，α＝0.5),計(jì)算每個(gè)塊的統(tǒng)計(jì)直方圖，記為然后將所有由單個(gè)樣本ai生成的n1個(gè)二值特征圖的局部區(qū)域的統(tǒng)計(jì)直方圖拼接起來(lái)，得到人臉圖像ai的最終輸出特征

上述技術(shù)方案中，測(cè)試階段步驟一測(cè)試集人臉圖像進(jìn)行預(yù)處理具體方法：

首先將測(cè)試圖像轉(zhuǎn)化為灰度圖，并調(diào)整圖像尺寸到訓(xùn)練集相同大小p×q，以ar人臉庫(kù)為例，預(yù)處理后，待測(cè)試人臉圖像b記為待測(cè)試人臉圖像其中p×q＝60×43。

上述技術(shù)方案中，測(cè)試階段步驟二的具體方法為：

將待測(cè)試人臉圖像b，與訓(xùn)練階段第一個(gè)特征提取層學(xué)習(xí)到的第一層卷積濾波器分別卷積得到第一層的特征圖其中以ar人臉庫(kù)為例，共計(jì)n1＝3個(gè)特征圖。

上述技術(shù)方案中，測(cè)試階段步驟三的具體方法為：

將步驟二輸出的特征圖與訓(xùn)練階段步驟六得到的第二個(gè)特征提取層n2個(gè)卷積濾波器分別卷積，得到n1×n2個(gè)特征圖其中以ar人臉庫(kù)為例，共計(jì)12(n1×n2＝3×4)個(gè)特征圖。

上述技術(shù)方案中，測(cè)試階段步驟四中特征圖二值哈希編碼的具體方法為：

1、利用二值哈希函數(shù)h(·)將第二層所有輸出的特征圖二值化，其中，當(dāng)輸入大于0時(shí)，h(·)值為1，當(dāng)輸入小于或等于0時(shí)，h(·)值為0；

2、把步驟三中由第n個(gè)第一層特征圖卷積得到的n2個(gè)二值化特征圖作為一組,將這n2個(gè)二值化特征圖同一像素位置的二進(jìn)制數(shù)組成的二值向量并轉(zhuǎn)化為十進(jìn)制數(shù)，從而得到一張整數(shù)值輸出圖；如圖1所示，步驟三中所有n1×n2個(gè)特征圖最終得到n1個(gè)輸出圖

上述技術(shù)方案中，測(cè)試階段步驟四中局部統(tǒng)計(jì)直方圖的具體計(jì)算方法為：

對(duì)于每個(gè)輸出圖以滑動(dòng)窗的形式取[b1b2]大小的塊,塊的重疊比例為α(以ar人臉庫(kù)為例，b1×b2＝5×2，α＝0.7),計(jì)算每個(gè)塊的統(tǒng)計(jì)直方圖，記為然后將所有局部區(qū)域的統(tǒng)計(jì)直方圖拼接起來(lái)，作為人臉測(cè)試圖像b的最終輸出特征

上述技術(shù)方案中，測(cè)試階段步驟五的具體方法為：

利用訓(xùn)練好的linearsvm分類(lèi)器對(duì)測(cè)試階段步驟四得到的測(cè)試樣本b的最終特征進(jìn)行分類(lèi)，完成測(cè)試樣本的分類(lèi)。

為驗(yàn)證本發(fā)明的有效性，本發(fā)明在四個(gè)著名的人臉數(shù)據(jù)庫(kù)(orl、extendedyaleb、ar、xm2vts)上先后進(jìn)行了實(shí)驗(yàn)。

表1:人臉數(shù)據(jù)庫(kù)特性描述

實(shí)驗(yàn)參數(shù)設(shè)置如下：

表2:人臉數(shù)據(jù)庫(kù)實(shí)驗(yàn)參數(shù)設(shè)置

*可自行調(diào)整

表3為本發(fā)明提出的方法在orl、extendedyaleb、ar和xm2vts數(shù)據(jù)集的測(cè)試結(jié)果，本發(fā)明提出的方法在orl、extendedyaleb、ar和xm2vts人臉庫(kù)上都取得了較高的識(shí)別率。盡管這些人臉圖像具有顯著的遮擋、光照、表情和姿態(tài)變化，但本發(fā)明提出方法對(duì)遮擋、光照、表情、姿態(tài)和噪聲具有魯棒性，因此提供了很好的表現(xiàn)。

表3:在orl和extendedyaleb、ar和xm2vts上的識(shí)別率

從ar人臉庫(kù)中選擇男人、女人各50位。每類(lèi)中7張含有自然表情和正面光照的圖像作為訓(xùn)練樣本，其余19張圖像作為測(cè)試樣本，記為t。根據(jù)存在的變化，進(jìn)一步將t分為4個(gè)子集，記為occlus(遮擋)，illum(光照)，exps(表情)和illum+occlus(光照加遮擋)，4個(gè)子集中每類(lèi)的樣本個(gè)數(shù)分別為4,3,4,8。從表4可以看出，本發(fā)明提出的方法對(duì)各種人臉識(shí)別噪聲都有較好的魯棒性，處理遮擋、光照和表情變化的情況均非常有效。

表4:ar上不同方法的識(shí)別率

本發(fā)明采用基于csgf(2d)²pcanet卷積網(wǎng)絡(luò)的人臉識(shí)別方法，不僅充分發(fā)揮了深度卷積網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)到有效的區(qū)分性特征表達(dá)的優(yōu)點(diǎn)，而且csgf的使用降低了數(shù)據(jù)冗余、節(jié)省了大量的計(jì)算時(shí)間。同時(shí)，通過(guò)csgf和(2d)²pca卷積濾波器的學(xué)習(xí)，模型具有良好的局部性，能夠更好的提取局部特征，并且對(duì)姿態(tài)、遮擋、光照、表情和噪聲變化具有穩(wěn)定的魯棒性，從而提高了本方法的識(shí)別精度。本方法采取無(wú)監(jiān)督的學(xué)習(xí)方式，克服了傳統(tǒng)的深度卷積神經(jīng)網(wǎng)絡(luò)不足，大大減少了運(yùn)算量,提高了系統(tǒng)的效率。

上面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式做了詳細(xì)說(shuō)明，但是本發(fā)明并不局限于上述實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。

[1]zhangj,tant,mal.invarianttexturesegmentationviacirculargaborfilters[c].proc.ofthe16^thinternationalconferenceonpatternrecognition.2002.901-904.

[2]zhang,d.andz.-h.zhou,two-directionaltwo-dimensionalpcaforefficientfacerepresentationandrecognition.neurocomputing,2005.69(1-3):p.224-231.

[3]a.martinezandr.benavente,thearfacedatabase,cvctechnicalreport,vol.24,1998.