一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法
专利汇可以提供一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法专利检索，专利查询，专利分析的服务。并且本 发明 一种基于域鲁棒卷积特征学习的交叉视 角 人脸识别 方法，包括步骤S1：从源域和目标域人脸集中采集多个人脸图像组成虚拟域人脸集；步骤S2：训练出源域、虚拟域和目标域的卷积 深度神经网络 ；分别组成源域、目标域人脸集的人脸图像的卷积特征；步骤S3：建立源视角映射矩阵和目标视角映射矩阵，获得源域、目标域人脸集的人脸图像的卷积特征在映射空间中相应的源域、目标域新人脸特征值；步骤S4：优化源视角映射矩阵和目标视角映射矩阵；步骤S5：计算测试人脸图片的卷积特征并输入映射矩阵，得到并在一个新人脸特征值与多个新人脸特征之间的多个距离中选择最小距离对应的测试源视角人脸图像的身份作为测试目标视角人脸图像的身份。，下面是一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法专利的具体信息内容。
1.一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法，特征在于，该方法包括以下步骤：
步骤S1：从源域人脸集和目标域人脸集中分别随机采样多个人脸图像，组成一个虚拟域人脸集；
步骤S2：对源域人脸集、虚拟域人脸集和目标域人脸集分别训练出源域、虚拟域和目标域的卷积深度神经网络；
将源域人脸集中的人脸图像输入到源域、虚拟域和目标域的卷积深度神经网络并分别计算，得到与所述网络相应的源域人脸图像的特征值，并将源域人脸图像的特征值串接在一起，组成源域人脸集的人脸图像的卷积特征；
将目标域人脸集中的人脸图像输入到源域、虚拟域和目标域的卷积深度神经网络并分别计算，得到与所述网络相应的目标域人脸图像的特征值，并将三个所述网络的目标域人脸图像的特征值串接在一起，组成目标域人脸集的人脸图像的卷积特征；
步骤S3：对源域人脸集和目标域人脸集建立源视角映射矩阵和目标视角映射矩阵，将源域人脸集的人脸图像的卷积特征输入到源视角映射矩阵，将目标域人脸集的人脸图像的卷积特征输入到目标视角映射矩阵，获得源域人脸集的人脸图像的卷积特征在映射空间中的源域新人脸特征值、获得目标域人脸集的人脸图像的卷积特征在映射空间中的目标域新人脸特征值；
步骤S4：通过约束源域新人脸特征值和目标域新人脸特征值的类内紧致性，优化源视角映射矩阵和目标视角映射矩阵；
步骤S5：对多张测试源视角人脸图像和一张测试目标视角人脸图像分别计算，得到并将多个源视角人脸图像的卷积特征和一个目标视角人脸图像的卷积特征输入到与之相应的源视角映射矩阵和目标视角映射矩阵计算，得到测试源视角多个新人脸特征值和测试目标视角的一个新人脸特征值；对新人脸特征值计算得到测试目标视角的一个新人脸特征到测试源视角的多个新人脸特征之间的多个距离，并在多个距离中选择最小距离对应的测试源视角人脸图像的身份作为测试目标视角人脸图像的身份；
其中，所述优化源视角映射矩阵和优化目标视角映射矩阵的步骤具体为：
1)构建源域人脸集和目标域人脸集的人脸图像在映射空间中的新人脸特征值的类内紧致性约束函数J(FS,FT)：
其中FS为源视角映射矩阵，FT为目标视角映射矩阵，N为人脸集中人脸图像的总对数，NC为源域人脸集中人的个数， 为第i个人的源域人脸图像的个数， 表示第b个人的目标域人脸图像的个数，b＝i，si,k为第i个人的源域人脸图像的卷积特征集Si中的第k个特征，tb,j为第b个人的目标域人脸图像的卷积特征集Tb中的第j个特征；i为源域人脸集中人的序号，b为目标域人脸集中人的序号，k为卷积特征集Si中特征的序号，j为卷积特征集Tb中特征的序号； ni是第i个人的源域人脸图像和目标域人脸图像组成的
人脸图像的对数；
2)通过最小化所述约束函数J(FS,FT)，构造区分性学习的优化目标函数；分别计算所述优化目标函数J(FS,FT)关于源视角映射矩阵FS和目标视角映射矩阵FT的梯度为：
利用梯度下降方法分别更新源视角映射矩阵、目标视角映射矩阵直到收敛，从而得到优化的源视角映射矩阵和目标视角映射矩阵。
2.根据权利要求1所述的方法，其特征在于，所述源域人脸集中的每个人都有多张源视角人脸图像，所述目标域人脸集中的每个人都有多张目标视角人脸图像；通过约束映射空间中同一人的源视角新人脸特征值和目标视角新人脸特征值的距离，构造区分性学习的优化目标函数；利用梯度下降法求解所述优化目标函数，得到优化源视角映射矩阵和目标视角映射矩阵，使得源视角新人脸特征值和目标视角新人脸特征值在映射空间中达到良好的区分性能。
3.根据权利要求1所述的方法，其特征在于，所述虚拟域人脸集是从源域人脸集随机采样50％的人脸图像和从目标域人脸集随机采样50％的人脸图像组成。
4.根据权利要求1所述的方法，其特征在于，所述训练出源域、虚拟域、目标域的卷积深度神经网络的包括以下步骤如下：
步骤S21：首先分别检测源域人脸集，虚拟域人脸集和目标域人脸集中每个人脸集的人脸图像，在每个人脸集的人脸图像上提取与之相应的源域、虚拟域和目标域的人脸像数特征；
步骤S22：将源域、虚拟域、目标域人脸像数特征分别输入到源域、虚拟域和目标域的卷积严格玻尔兹曼机中，通过最大化源域人脸集的所有人脸图像在源域卷积严格玻尔兹曼机上的对数似然目标函数来优化卷积严格玻尔兹曼机的结构参数，获得优化源域的卷积严格玻尔兹曼机；通过最大化虚拟域人脸集的所有人脸图像在虚拟域卷积严格玻尔兹曼机上的对数似然目标函数来优化卷积严格玻尔兹曼机的结构参数，获得优化虚拟域的卷积严格玻尔兹曼机；通过最大化目标域人脸集的所有人脸图像在目标域卷积严格玻尔兹曼机上的对数似然目标函数来优化卷积严格玻尔兹曼机的结构参数，获得优化目标域的卷积严格玻尔兹曼机；
步骤S23：将源域、虚拟域、目标域的人脸像数特征输入到与之相应的优化源域、优化虚拟域和优化目标域的卷积严格玻尔兹曼机中，分别计算，得到与每个卷积严格玻尔兹曼机相应的优化源域的输出值、优化虚拟域的输出值、优化目标域的输出值；通过分别最大化优化源域、优化虚拟域和优化目标域的输出值在源域、虚拟域和目标域的新卷积严格玻尔兹曼机上的对数似然目标函数，获得有序训练出的源域、虚拟域和目标域的新卷积严格玻尔兹曼机；
步骤S24：将训练出的源域、虚拟域和目标域的卷积严格玻尔兹曼机分别地按照训练的顺序分层叠加形成源域、虚拟域和目标域的卷积深度神经网络。
5.根据权利要求4所述的方法，其特征在于，所述对数似然目标函数L(θ,D)表示为：
利用梯度下降的方法求解所述对数似然目标函数对卷积严格玻尔兹曼机的结构参数θ的梯度，更新结构参数θ直到收敛，得到优化的卷积严格玻尔兹曼机；其中，θ为卷积严格玻尔兹曼机的结构参数，D为人脸集，N为人脸集中人脸图像的总数；x(l)为人脸集中的第l个人脸图像的人脸像数特征，l为人脸图像的序号，l＝1,2,3…N；p(x(l))为人脸像数特征x(l)在卷积严格玻尔兹曼机上的概率。
6.根据权利要求1所述的方法，其特征在于，所述的在映射空间中的源域新人脸特征值为FS*YS，在映射空间中的目标域新人脸特征值为FT*YT，其中FS为优化的源视角映射矩阵，FT为优化的目标视角映射矩阵，YS为源域人脸集的人脸图像的卷积特征，YT为目标域人脸集的人脸图像的卷积特征。
7.根据权利要求1所述的方法，其特征在于，所述源域人脸集表示为 其中NC为源域人脸集中人的个数，i为源域人脸集中人的序号； 表示第i个人的源域人脸图像的卷积特征集，si,k为卷积特征集Si中的第k个特征，k为卷积特征集Si中特征的序号，为第i个人的源域人脸图像的个数。
8.根据权利要求1所述的方法，其特征在于，所述目标域人脸集表示为
为第b个人的目标域人脸图像的卷积特征集，其中NB为目标域人脸集中人的个数，b为目标域人脸集中人的序号；tb,j为卷积特征集Tb中的第j个特征，j为卷积特征集Tb中特征的序号，表示第b个人的目标域人脸图像的个数；当源域人脸集中人的序号i与目标域人脸集中人的序号b相等时，源域人脸集中的第i个人与目标域人脸集中的第b个人为同一个人；源域人脸集中人的个数NC与目标域人脸集中人的个数NB相等。
9.根据权利要求1所述的方法，其特征在于，所述识别测试目标视角人脸图像的身份的步骤如下：
步骤S51：多张测试源视角人脸图像集的卷积特征 表示为 将所述测试源视角人脸图像的卷积特征 输入到优化的源视角映射矩阵FS中计算，得到测试源视角的新人脸特征值xn，m计算为：
其中： 表示第n个人的测试源视角人脸图像的卷积特征集， 为卷积特征集 中的第m个特征， 为第n个人的测试源视角人脸图像的个数； 为测试源视角人脸图像集中的人数；n为测试源域人脸图像集中人的序号；m为卷积特征集 中特征的序号；
步骤S52：将所述测试目标视角人脸图像的卷积特征 输入到优化的目标视角映射矩阵FT中计算，得到的测试目标视角的新人脸特征值计算为： 测试目标视角的新人脸特征y到测试源视角的第n个人的新人脸特征xn,m的距离为d(y,xn,m)；在多个距离中选择最小距离对应的测试源视角人脸图像的身份 作为测试目标视角人脸图像的身份表示为: 其中 表示测试目标视角新人脸特征y
到测试源视角的多个新人脸特征xn,m之间的多个距离d(y,xn,m)中的最小值。
一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法
技术领域
背景技术
发明内容
具体实施方式
组隐含层阵列 的偏差；c为可见层V的偏差；Bα是隐含层阵列中第α个宽和高均为C的池化块，与第α个池化块对应的第 组池化层单元表示为 为隐含层阵列中单元的坐标，为滤波器中单元的坐标， 为可见层中单元的
坐标， s.t表示约束条件。
目标域人脸图像输入到源域、虚拟域和目标域的卷积深度神经网络并分别计算，得到三个所述网络的目标域人脸图像的特征值表示为 yt为目
标域人脸图像，将三个网络的目标域人脸图像的特征值串接在一起，组成目标域人脸图像yt的卷积特征YT表示为：
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于关键帧提取和层次性表述的视频行为识别方法 | 2020-06-27 | 0 |
| 基于深度学习的机载网络入侵检测方法 | 2021-05-15 | 2 |
| 基于深度学习的舌体分割装置、方法及存储介质 | 2020-06-14 | 0 |
| 对象识别装置、电子装置和识别对象的方法 | 2020-06-15 | 0 |
| 基于深度学习的稠油热采井固井评价系统 | 2020-12-30 | 1 |
| 一种暴雨道路无人驾驶车辆电量预测方法及预警系统 | 2022-02-01 | 2 |
| 一种基于深度学习的皮肤图像实际面积估算方法 | 2020-10-22 | 1 |
| 人脸表情识别的方法及装置 | 2023-06-20 | 0 |
| 语音指令识别方法、计算机装置及计算机可读存储介质 | 2020-12-15 | 1 |
| 使用单触发卷积神经网络的用于避障的三维对象定位 | 2020-09-26 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
