一种基于小波变换和DCT的卷积神经网络人脸识别算法.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CN110598584A(43)申请公布日2019.12.20(21)申请号201910790630.6(22)申请日2019.08.26(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人雷志春王嘉欣(74)专利代理机构天津市三利专利商标代理有限公司12107代理人韩新城(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图4页(54)发明名称一种基于小波变换和DCT的卷积神经网络人脸识别算法(57)摘要本发明公开种基于小波变换和DCT的卷积神经网络人脸识别算法，包括如下步骤：采用二维离散小波变换将目标图像分解成不同子带并保留低频子带；通过DCT变换获得低频子带图像部分DCT系数；将DCT系数输入卷积神经网络中提取特征，进行训练分类，最后获得用于识别面部图像的的卷积神经网络模型。本发明是在人脸图像进入卷积神经网络之前，先对图像小波变换，得到低频子带图像并对其做DCT变换，提取部分DCT系数，从而减少冗余信息量，降低运算复杂度，最后将DCT系数输入卷积神经网络进行训练分类，提高了人脸识别的准确率同时缩短了训练时间。CN110598584ACN110598584A权利要求书1/1页1.一种基于小波变换和DCT的卷积神经网络人脸识别算法，其特征在于，包括如下步骤：采用二维离散小波变换将目标图像分解成不同子带并保留低频子带；通过DCT变换获得低频子带图像部分DCT系数；将DCT系数输入卷积神经网络中提取特征，进行训练分类，最后获得用于识别面部图像的的卷积神经网络模型。2.根据权利要求1所述基于小波变换和DCT的卷积神经网络人脸识别算法，其特征在于，所述卷积神经网络包括卷积层，池化层，全连接层，所述卷积层为4个，所述池化层为4个，所述全连接层为两个，所述全连接层连接分类器。3.根据权利要求2所述基于小波变换和DCT的卷积神经网络人脸识别算法，其特征在于，所述分类器为softmax分类器。4.根据权利要求2所述基于小波变换和DCT的卷积神经网络人脸识别算法，其特征在于，第一层和第二层的卷积层卷积核大小为5×5，后两层使用3×3的卷积核，在每一个卷积层后均使用了ReLU激活函数，池化层均采用最大池化，池化规模为2×2，步长为2。2CN110598584A说明书1/4页一种基于小波变换和DCT的卷积神经网络人脸识别算法技术领域[0001]本发明涉及人脸识别技术领域，特别是涉及一种基于小波变换和DCT的卷积神经网络人脸识别算法。背景技术[0002]人脸识别流程包括四个阶段：人脸检测、人脸对齐、特征提取和人脸分类。其中，最重要的阶段是特征提取阶段，特征提取的好坏直接影响识别的准确率。总体来说人脸识别方法可以总结为：基于自然特征的方法、基于模块匹配的方法、基于子空间方法、基于人脸特征的方法、基于深度学习的方法。[0003]深度学习越来越受到人们的关注。卷积神经网络CNN(ConvolutionalNeuralNetwork)是深度学习中非常重要的方法，而且卷积神经网络对图像识别具有很强的优势。但利用卷积神经网络对人脸进行识别过程中，由于图像存在维数过高，信息量大，计算复杂等问题，使得训练周期过长。发明内容[0004]本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于小波变换和DCT的卷积神经网络人脸识别算法。[0005]为实现本发明的目的所采用的技术方案是：[0006]一种基于小波变换和DCT的卷积神经网络人脸识别算法，包括如下步骤：[0007]采用二维离散小波变换将目标图像分解成不同子带并保留低频子带；[0008]通过DCT变换获得低频子带图像部分DCT系数；[0009]将DCT系数输入卷积神经网络中提取特征，进行训练分类，最后获得用于识别面部图像的的卷积神经网络模型。[0010]其中，所述卷积神经网络包括卷积层，池化层，全连接层，所述卷积层为4个，所述池化层为4个，所述全连接层为两个，所述全连接层连接分类器。[0011]其中，所述分类器为softmax分类器。[0012]其中，第一层和第二层的卷积层卷积核大小为5×5，后两层使用3×3的卷积核，在每一个卷积层后均使用了ReLU激活函数，池化层均采用最大池化，池化规模为2×2，步长为2。[0013]本发明是在人脸图像进入卷积神经网络之前，首先对图像进行小波变换，得到低频子带图像并对其做DCT变换，提取部分DCT系数，以减少冗余信息量，最后将DCT系数输入卷积神经网络进行训练分类。附图说明[0014]图1为本发明的三维图[0015]图2所示为二维小波分解示意图；3CN110598584A说明书2/