本發(fā)明涉及人臉識別領(lǐng)域，特別涉及一種頻域劃分的人臉特征識別方法及系統(tǒng)。

背景技術(shù)：

現(xiàn)有的人臉識別系統(tǒng)一般都是對人臉圖像進行預(yù)處理，在利用卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到了訓(xùn)練之后的網(wǎng)絡(luò)的權(quán)重，從而完成訓(xùn)練。在應(yīng)用中，將人臉的圖片作為輸入，通過訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，得到人臉的特征表示，再通過特征的比較來實現(xiàn)人臉的識別。訓(xùn)練的圖像大多來自于互聯(lián)網(wǎng)，是質(zhì)量比較高的圖像，實際使用的圖像，存在很多的低質(zhì)量的圖片，如低分辨率、模糊、噪聲等，通過網(wǎng)絡(luò)并不能提取出合適的特征，降低了識別的效果。

現(xiàn)有的圖像預(yù)處理技術(shù)如下：

a.在訓(xùn)練過程中加入隨機噪聲和模糊

缺點：該方法只能對已知的干擾進行數(shù)據(jù)增強，無法應(yīng)對現(xiàn)實中的復(fù)雜的噪聲情況。

b.進行圖像的去模糊和重建

缺點：圖像的重建可能會一定程度上丟失一些圖像的細節(jié)信息，影響識別效果。同時，重建的操作是耗時的。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決上述技術(shù)問題，提供一種能夠增強系統(tǒng)的抗噪聲能力的頻域劃分的人臉特征識別方法。

解決上述技術(shù)問題，本發(fā)明提供了一種頻域劃分的人臉特征識別方法，包括：

將訓(xùn)練圖像x進行fft變換，得到所述訓(xùn)練圖像中每個通道的對應(yīng)的不同的頻率分布f＝fft(x)；

將每個所述頻率分布f進行劃分，分別得到多個頻率成分fi；

對每個頻率成分fi進行ifft變換，得到不同頻率成分fi對應(yīng)的圖像成分xi；

結(jié)合所述訓(xùn)練圖像x的標簽y，得到處理后的訓(xùn)練數(shù)據(jù)z＝(x1,x2,…,xk,y)，k為圖像成分xi的總數(shù)；

使用處理之后的訓(xùn)練數(shù)據(jù)z進行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并得到網(wǎng)絡(luò)參數(shù)模型；

通過根據(jù)所述網(wǎng)絡(luò)參數(shù)模型對于輸入的待識別圖像y進行處理，得到待識別圖像y的特征；通過計算所述特征的歐氏距離l對所述待識別圖像y進行樣本比對獲取人臉特征，完成人臉識別。

進一步的，如前述的頻域劃分的人臉特征識別方法，將每個所述頻率分布f進行劃分，具體劃分方法為：在所述頻率分布f內(nèi)定義k個半徑為r1、r2、…rk的同心圓形，其中r1<r2<...<rk,；將所述頻率分布劃分為k個頻率范圍并得到k個頻率成分fi；且所述頻率分布f與頻率成分fi關(guān)系為

更進一步的，如前述的頻域劃分的人臉特征識別方法，所述通過網(wǎng)絡(luò)參數(shù)模型對于輸入的待識別圖像y進行處理，得到浮點數(shù)的數(shù)組向量f1、f2作為y的特征，具體方法為：將ifft變換之后的圖像，作為所述卷積神經(jīng)網(wǎng)絡(luò)的輸入，前饋；同時，選擇最后一個隱含層的數(shù)作為特征。

更進一步的，如前述的頻域劃分的人臉特征識別方法，所述歐氏距離l的計算方法，具體為：

其中，l為所述歐式距離，n為所述y的特征的長度。

本發(fā)明還提供一種頻域劃分的人臉特征識別系統(tǒng)，所述系統(tǒng)通過模型對于輸入的待識別圖像進行處理，得到待識別圖像的特征；通過計算所述特征的歐氏距離l對所述待識別圖像進行樣本比對獲取人臉特征，完成人臉識別。本發(fā)明的有益效果：

采用本發(fā)明方法能夠通過頻域劃分的去除如低分辨率、模糊、噪聲高等情況的低質(zhì)量圖片，并且，本發(fā)明方法能夠通過網(wǎng)絡(luò)提取出合適的人臉圖像的特征；具有人臉識別速度快，準確率高，魯棒性強，抗噪聲能力好的特點。

附圖說明

圖1是本發(fā)明一種實施例中的頻域劃分的人臉特征識別方法的流程示意圖；

圖2是本發(fā)明一種實施例中的頻域劃分的人臉特征識別方法中的訓(xùn)練過程示意圖；

圖3是本發(fā)明一種實施例中的頻域劃分的人臉特征識別方法中的應(yīng)用過程示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照附圖，對本發(fā)明進一步詳細說明。

如圖1所示，本發(fā)明提供一種頻域劃分的人臉特征識別方法，包括：

s101.將訓(xùn)練圖像x進行fft變換，得到頻率分布f＝fft(x)，具體的，圖像x在計算機中的存儲是三維的數(shù)組，分別為通道(channel)、高度(height)、寬度(width)；其中rgb格式的圖像具有3個通道，分別對應(yīng)的是red、green、blue，針對每個通道都進行快速傅里葉變換，即fft變換，由于fft變化是本領(lǐng)域公知的技術(shù)，在此就不再贅述；

s102.將所述頻率分布f進行劃分，得到多個頻率成分fi；

s103.對每個頻率成分fi進行ifft變換，得到不同頻率成分fi對應(yīng)的圖像成分xi；其中ifft為數(shù)字信號處理中的快速傅里葉逆變換，為本領(lǐng)域技術(shù)人員公知技術(shù)，在此就不贅述；

s104.結(jié)合所述訓(xùn)練圖像x的標簽y，得到處理后的訓(xùn)練數(shù)據(jù)z＝(x1,x2,…,xk,y)，k為圖像成分xi的總數(shù)；

s105.使用處理之后的訓(xùn)練數(shù)據(jù)z進行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并得到卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)；

s106.通過模型對于輸入的待識別圖像y進行處理，得到待識別圖像y的特征，具體為，將ifft變換之后的圖像，作為所述卷積神經(jīng)網(wǎng)絡(luò)的輸入，前饋；同時，選擇最后一個隱含層的數(shù)作為待識別圖像y特征，所述特征是浮點數(shù)的數(shù)組向量；通過計算所述特征的歐氏距離對所述待識別圖像y進行樣本比對獲取人臉特征，完成人臉識別。

如圖2所示，為采用本發(fā)明方法對系統(tǒng)進行訓(xùn)練的流程。記訓(xùn)練的圖像為x。對x進行fft變換，得到頻率分布：

f＝fft(x)

通過預(yù)定的頻率的劃分，將頻率分布f進行劃分，通過得到多個部分的頻率分布：

其中fi表示不同的頻率成分。對每個頻率成分進行ifft變換，得到不同頻率對應(yīng)的圖像：

xi＝ifft(fi)

記y為該訓(xùn)練圖像對應(yīng)的標簽。則一個處理后的訓(xùn)練數(shù)據(jù)可以表示為(x1,x2,…,xk,y)。

使用處理后的訓(xùn)練數(shù)據(jù)進行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。從而得到網(wǎng)絡(luò)的參數(shù)。

如圖3所示，為根據(jù)圖2中生成的模型進行應(yīng)用的過程流程圖，對于輸入的圖像x，按圖2中的處理操作，得到x1,x2,…,xk,將k個圖像成分作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，從而得到人臉圖像的特征表示。在樣本比對的時候，直接計算特征的歐氏距離即可；所述歐氏距離l的計算方法，具體為：

其中，l為所述歐式距離，n為所述y的特征的長度。

然后使用softmax來監(jiān)督學(xué)習(xí)；softmax的監(jiān)督信號如下:

其中，in是類別，pn是預(yù)測的類別。

本發(fā)明還提供一種頻域劃分的人臉特征識別系統(tǒng)，該系統(tǒng)通過模型對于輸入的待識別圖像y進行處理，得到待識別圖像y的特征；通過計算所述特征的歐氏距離對所述待識別圖像y進行樣本比對獲取人臉特征，完成人臉識別。

所屬領(lǐng)域的普通技術(shù)人員應(yīng)當理解：以上，所述僅為本發(fā)明的具體實施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。與該發(fā)明方法或等同的技術(shù)原理都屬保護范圍之內(nèi)。