| 主权项 |
一种基于加权L2抽取深度学习人脸识别方法，其特征在于，包括以下步骤：（1）对人脸训练图片进行预处理；（2）选择T种卷积核对预处理后的人脸训练图片进行卷积，得到T个的特征图层，分别对每个特征图层提取特征矢量，得到特征矢量；T≥2；（3）用加权L2抽取方法对步骤（2）提取的特征矢量进行降维；所述加权L2抽取方法具体如下：将加权L2抽取方法描述为一个两层的网络，其中第一层为简单层，第二层为采样层，简单层的权值矩阵为W,采样层的权值矩阵为V，设x(t)为第t个特征图层的特征矢量，t=1,2,3…T；则采样层的输出响应为 <mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>W</mi> <mo>,</mo> <mi>V</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <msubsup> <mi>Σ</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msub> <mi>V</mi> <mi>ik</mi> </msub> <msup> <mrow> <mo>(</mo> <msubsup> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>W</mi> <mi>kj</mi> </msub> <msubsup> <mi>x</mi> <mi>j</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </msqrt> </mrow>上式中，W∈Rm*n，V∈Rm*m,n代表第t个特征图层的特征矢量大小，m代表简单层单元的个数，Wkj表示矩阵W第k行，第j列的元素，Vik表示矩阵V第i行，第k列的元素；i=1,2,3…m；其中，矩阵W由以下目标函数给出： <mrow> <munder> <mrow> <mi>min</mi> <mi>imize</mi> </mrow> <mi>W</mi> </munder> <msubsup> <mi>Σ</mi> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <msubsup> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msub> <mi>p</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>W</mi> <mo>,</mo> <mi>V</mi> <mo>)</mo> </mrow> </mrow>目标函数的约束条件为：WWT=I，其中WT为W的转置矩阵；矩阵V是一个固定矩阵；（4）对降维后的特征向量进行归一化处理；（5）以步骤（4）的输出作为输入，进行步骤（2）～（4）；（6）以步骤（5）的输出作为输入，进行步骤（2）～（4）；（7）将步骤（6）的输出送入支持向量机分类器进行训练，得到训练好的支持向量机分类器；（8）利用步骤（7）训练好的支持向量机分类器对人脸进行识别。 |
