基于融合HOG特征和深度信念网络的人脸识别算法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107818299A(43)申请公布日2018.03.20(21)申请号201710961353.1(22)申请日2017.10.17(71)申请人内蒙古科技大学地址014010内蒙古自治区包头市阿尔丁大街7号(72)发明人张宝华李腾郝逸夫赵艳峰侯海鹏高子翔郭佩瑜(74)专利代理机构北京中誉威圣知识产权代理有限公司11279代理人蒋常雪(51)Int.Cl.G06K9/00(2006.01)G06K9/48(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书1页说明书5页附图1页(54)发明名称基于融合HOG特征和深度信念网络的人脸识别算法(57)摘要本发明公开了一种基于融合HOG特征和深度信念网络的人脸识别算法。所述算法将融合的HOG特征与深度信念网络DBN相结合，选择融合的HOG特征作为DBN网络的输入，以帮助DBN网络了解图像特征的分布，提高DBN的表征能力；利用DBN训练提取的特征，减少人为干预，实现人脸识别自动化。所述算法包括如下步骤：将源图像划分为单元格、计算图像的融合特征、训练DBN网络、学习图像的高层特征和抽象特征、实现图像分类和识别。本发明利用HOG特征对方向和光线的不敏感性、全局特征能够提取人脸轮廓的整体特征、局部特征能很好地适应人脸的局部变化等特点，提取图像的全局与局部融合的HOG特征用于识别，同时利用DBN网络的深度学习能力，有效地提升了人脸识别准确率。CN107818299ACN107818299A权利要求书1/1页1.一种基于融合HOG特征和深度信念网络的人脸识别算法，其特征在于：所述算法将融合的HOG特征与深度信念网络DBN相结合，选择融合的HOG特征作为DBN网络的输入，以帮助DBN网络了解图像特征的分布，提高DBN的表征能力；利用DBN训练提取的特征，减少人为干预，实现人脸识别自动化。2.如权利要求1所述的一种基于融合HOG特征和深度信念网络的人脸识别算法，其特征在于：所述算法包括以下步骤：1)将源图像划分为单元格：将图像分别分割成2×2、2×4和4×4的分块并提取全局特征GFhog和分块特征BFhog；计算单元格中每个像素的梯度值和边缘直方图；2)计算图像的融合特征：通过顺序级联融合特征GFhog和分块特征BFhog，得到最终的融合特征Fhog；3)训练DBN网络：将融合后的特征Fhog输入到DBN网络中，训练使网络达到最优，同时通过BP算法微调整个网络；4)学习图像的高层特征和抽象特征：将测试样本的融合梯度特征Fhog输入到训练好的深度信念网络中，通过训练好的网络自下而上学习更高层更抽象的特征；5)实现图像分类和识别：在网络顶层使用Softmax逻辑回归方法进行测试样本的分类和识别。2CN107818299A说明书1/5页基于融合HOG特征和深度信念网络的人脸识别算法技术领域[0001]本发明属于图像处理技术领域，具体涉及一种基于融合HOG特征和深度信念网络的人脸识别算法。背景技术[0002]人脸特征的分布是非常复杂和非线性的。人脸的表情，人的姿势、年龄、所处的位置，以及光照条件和覆盖等因素都不同程度地影响人脸识别效果。有效的人脸特征提取和描述是提高人脸识别精度的关键。目前，主要的特征提取方法将人脸特征分为两大类：全局特征和局部特征。全局特征可以表示完整的结构信息，例如脸部轮廓、肤色和人脸特征的整体性质。为了提取这些特征，基于全局特征的方法构建训练集的线性子空间，其他图像可以通过投影到该线性子空间来重新表达。典型的基于子空间的方法包括主成分分析(PCA，PrincipalComponentAnalysis)、线性判别分析(LDA，LinearDiscriminantAnalysis)和独立成分分析(ICA，IndependentComponentAnalysis)。PCA方法具有很强的降低特征维度的能力，但降维过程需要很多时间，降低了算法的效率。虽然基于子空间的方法可以降低高维特征的维度并获得良好的识别效果，但是人脸本身引入的差异，如疤痕和痣等不能被识别。因此，基于子空间的方法在特征分类中有明显的局限性。[0003]局部特征对于光线条件、人脸的表情和态度变化表现得都很健壮。为了适应局部变化，局部特征方法基于面部器官与特征部位之间的对应几何关系来训练识别参数。局部特征方法主要包括Gabor变换、局部二进制模式(LBP，LocalBinaryPatterns)、定向梯度直方图(HOG，HistogramofOrientedGradient)和局部非负矩阵分解(LNMF，LocalNon-negativeMatrixFactorization)。基于Gabor变换的方法可以提