一种深度卷积神经网络的人脸识别方法

摘要

公开一种深度卷积神经网络的人脸识别方法，其降低时间复杂度，使得在减少训练样本的情况下网络中权值依然有较强的分类能力。其包括训练阶段和分类阶段，训练阶段包括步骤：(1)随机生成输入单元与隐单元之间的权值w_j和隐单元的偏置b_j，j＝1,…,L，j为权值和偏置的个数，共L个；(2)输入训练图像Y及其标签，利用前向传导公式h_W,b(x)＝f(W^Tx)，h_W,b(x)为输出值，x为输入，计算每层输出值h_W,b(x⁽ⁱ⁾)；(3)根据标签值和最后一层输出值计算出最后一层偏差；(4)根据最后一层偏差计算各层偏差，求得梯度方向；(5)更新权值；分类阶段包括步骤：(a)保持网络中所有的参数不变，记录每个测试样本由网络输出的类别向量；(b)计算残差δ＝||h_W,b(x⁽ⁱ⁾)-y⁽ⁱ⁾||²；(c)根据残差最小，为测试图像分类。

主权项

一种深度卷积神经网络的人脸识别方法，其特征在于：其包括训练阶段和分类阶段，所述训练阶段包括以下步骤：(1)随机生成输入单元与隐单元之间的权值w_j和隐单元的偏置b_j，j＝1,…,L，j为权值和偏置的个数，共L个；(2)输入训练图像Y及其标签，利用前向传导公式h_W,b(x)＝f(W^Tx)，其中，h_W,b(x)为输出值，x为输入，计算每层输出值h_W,b(x⁽ⁱ⁾)；(3)通过公式(4)根据标签值和步骤(2)的最后一层输出值计算出最后一层偏差${\delta }_i^{\left(\mathrm{nl}\right)}=\frac{{\partial J}_1}{{\partial Z}_i^{\left(\mathrm{nl}\right)}}=\frac{\partial }{{\partial Z}_i^{\left(\mathrm{nl}\right)}}\frac{1}{2}{\left|\right|h_{W,b}\left(x^{\left(i\right)}\right)-y^{\left(i\right)}\left|\right|}^2---\left(4\right)$(4)根据最后一层偏差计算各层偏差，从而求得梯度方向(BP算法的主要思想就是：要想求得总体网络的梯度方向，就要求出每层的偏差，反向传播算法就是首先求得最后一层的残差值，再追层求得所有层的残差，进而求得网络梯度方向)；(5)根据公式(2)、(3)更新权值$W_{\mathrm{ij}}^{\left(l\right)}=W_{\mathrm{ij}}^{\left(l\right)}-\alpha \frac{\partial }{{\partial W}_{\mathrm{ij}}^l}J(W,b)---\left(2\right)$$b_i^{\left(l\right)}=b_i^{\left(l\right)}-\alpha \frac{\partial }{{\partial b}_i^{\left(l\right)}}J(W,b)---\left(3\right);$所述分类阶段包括以下步骤：(a)保持网络中所有的参数不变，记录每个测试样本由网络输出的类别向量；(b)计算残差δ＝||h_W,b(x⁽ⁱ⁾)‑y⁽ⁱ⁾||²；(c)根据残差最小，为测试图像分类。