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。 |