一种基于图像分块加权的卷积神经网络的人脸识别方法.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CN106548165A(43)申请公布日2017.03.29(21)申请号201611061787.8(22)申请日2016.11.28(71)申请人中通服公众信息产业股份有限公司地址830000新疆维吾尔自治区乌鲁木齐市黄河路191号(72)发明人舒泓新蔡晓东梁晓曦(74)专利代理机构济南智圆行方专利代理事务所(普通合伙企业)37231代理人张玉琳(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于图像分块加权的卷积神经网络的人脸识别方法(57)摘要本发明公开了一种基于图像分块加权的卷积神经网络的人脸识别方法，方法包括：构建样本数据库，对样本图片进行边缘检测，并截取出人脸轮廓图片；对人脸轮廓图片的五个部位进行定位，并根据定位进行分割得到局部图片，计算所有局部图片的灰度方差均值；将属于同一样本图片的人脸轮廓图片和六个局部图片一起并行投入到卷积神经网络中训练；将待识别人脸图片分割后一并投入到训练好的卷积神经网络中即可得到识别结果。本发明的有益效果是：本发明的人脸识别方法既考虑局部的特征，又考虑全局的特征，可以使系统有更好的识别效果，与传统的人脸识别方法相比，本发明采用图像分块加权的卷积神经网络的方法，能够提高人脸识别的识别率。CN106548165ACN106548165A权利要求书1/2页1.一种基于图像分块加权的卷积神经网络的人脸识别方法，其特征在于，所述人脸识别方法具体包括以下步骤：步骤S1：构建样本数据库，对样本数据库中的样本图片进行灰度化；步骤S2：利用Canny算子做边缘检测，并截取出人脸轮廓图片；步骤S3：采用ASM方法对人脸轮廓图片的五个部位进行定位，五个部位包括左眼中心、右眼中心、鼻尖、左嘴角和右嘴角；步骤S4：根据步骤S3的定位，对人脸轮廓图片进行分块，连接左眼中心和右眼中心做一条分割线a，过鼻尖做平行于分割线a的分割线b，过鼻尖做垂直于分割线b的分割线c，分割线a、分割线b和分割线c三条分割线将人脸轮廓图片分为六个局部图片，分别为左上人脸图片、左中人脸图片、左下人脸图片、右上人脸图片、右中人脸图片和右下人脸图片；步骤S5：计算出样本数据库中所有局部图片的灰度，再计算出位于同一位置的所有局部图片的灰度方差并求均值，即为灰度方差均值；步骤S6：将属于同一样本图片的人脸轮廓图片和六个局部图片一起并行投入到卷积神经网络中训练，并将提取的特征向量结合步骤S5得到的平均灰度方差进行加权融合，然后通过softmax层进行分类，得到训练好的卷积神经网络；步骤S7：获取待识别图片，并对待识别图片进行灰度化，依次采用步骤S2、步骤S3和步骤S4的方法进行处理得到待识别人脸轮廓图片和六个局部图片；步骤S8：将待识别人脸轮廓图片和六个局部图片一并投入到训练好的卷积神经网络中即可得到识别结果。2.根据权利要求1所述的基于图像分块加权的卷积神经网络的人脸识别方法，其特征在于，所述步骤S3中采用ASM方法对人脸轮廓图片的五个部位进行定位，具体步骤如下：步骤301、构建形状模型：在样本数据库中随机搜集300-500个样本图片组成训练集，手动标记训练集中所有样本图片的五个脸部特征点，将训练集中所有脸部特征点的坐标串成特征向量，对形状进行归一化和对齐，对对齐后的形状特征做PCA处理；步骤302、为每个脸部特征点构建局部特征；步骤303、计算左眼中心和右眼中心的位置坐标，依据上述位置坐标对训练集中的样本图片做适应性的尺度和旋转变化，对齐人脸；步骤304、采用马氏距离方法匹配每个局部特征点，计算ASM模型中的局部特征与当前特征点的局部特征之间的马氏距离，选取马氏距离最小的那个局部特征的中心作为当前特征点的新位置，得到仿射变换的参数，迭代直到收敛，得到五个脸部特征点的最终位置。3.根据权利要求1或2所述的基于图像分块加权的卷积神经网络的人脸识别方法，其特征在于，所述步骤S6中，所述的卷积神经网络框架具体为：从输入到输出按顺序依次为：卷积层conv1，最大池化层pool1，卷积层conv2，最大池化层pool2，卷积层conv3，最大池化层pool3，卷积层conv4，全连接层fc作为输出；其中所述加权融合的加权方式为：左上人脸分配权值为w1=D1/(D1+D2+D3+D4+D5+D6)；左中人脸分配权值为w2=D2/(D1+D2+D3+D4+D5+D6)；左下人脸分配权值为w3=D3/(D1+D2+D3+D4+D5+D6)；右上人脸分配权值为w4=D4/(D1+D2+D3+D4+D5+D6)；2CN10654816