专利汇可以提供一种基于卷积神经网络特征的跨质量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 提出了一种基于 卷积神经网络 特征的跨 质量 人脸识别 方法,该方法首先获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像 块 ;其次设计一深度卷积神经网络,对于每个特征点图像块,通过神经网络的学习得到一个 特征向量 ;再次对测试图像块的特征向量和训练图像块的特征向量进行线性表示;然后对低质量测试图像块的特征表示和高 分辨率 训练图像块的特征表示进行相似性度量,并输出每一个测试图像块的类别;最后对于一张人脸图像分为S个人脸关键点的图像块集合,对每一个关键点 位置 的图像块分类结果进行投票,将图像分给获取票数最多的那一个类,输出最终低质量测试图像的类别。,下面是一种基于卷积神经网络特征的跨质量人脸识别方法专利的具体信息内容。
1.一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,包括以下步骤:
S1、将低质量人脸图像上采样到跟高质量图像一样的分辨率,通过人脸特征点检测技术获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块;转至步骤S2;
S2、设计一深度卷积神经网络,对于每个特征点图像块,通过神经网络的学习,得到一个特征向量;转至步骤S3;
S3、运用加权稀疏编码正则的回归表示方法对低质量测试图像块的特征向量和高质量训练图像块的特征向量进行线性表示;转至步骤S4;
S4、对低质量测试图像块的特征向量的线性表示和高质量训练图像块的特征向量的线性表示进行相似性度量,并输出每一个低质量测试图像块的类别;转至步骤S5;
S5、对于一张人脸图像分为S个人脸关键点的图像块集合,对每一个关键点位置的图像块分类结果进行投票,将图像分给获取票数最多的那一个类,输出最终低质量测试图像的类别。
2.根据权利要求1所述一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,步骤S2的具体方法如下:
设计一种深度卷积神经网络,该神经网络由10个卷积层,10个归一化层和9个激活层组成;
对于每一个特征点图像块,其块大小为32*32,通过卷积神经网络的学习得到一个1*
128的特征向量。
3.根据权利要求2所述一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,步骤S3的具体方法如下:
S301、对于一个低质量测试图像块特征向量y,低质量测试图像块运用低质量训练字典样本图像上对应位置的图像块特征向量进行如下线性表示,
y=x1A1+x2A2+...xiAi+...+xNAN+E
其中,Ai表示第i个低质量训练字典样本图像上对应位置的图像块特征向量,且i={1,
2,...,N},N表示低质量训练字典样本图像的个数,xi表示系数向量x中第i个元素对应的系数,E表示残差项;转至步骤S302;
S302、运用加权稀疏编码正则的回归表示方法获得高质量训练图像块在高质量训练字典样本图像上对应位置的图像块集合的线性表示。
4.根据权利要求3所述一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,在步骤S301中,低质量测试图像块的表示向量求解方法如下所示:
首先,定义 对于每一个低质量测试图像块,运用
加权稀疏编码正则的回归表示方法获得其在低质量训练样本图像块的线性表示,将其回归模型表示为,
其中 表示L2范数,λ是正则化参数,W是给定的局部相似矩阵,x表示低质量测试图像块的系数向量;
其次,为了求解方便,需要引入辅助变量z将以上模型表示为,
s.t.z=Wx;
最后,通过引入两个辅助变量P和p,上式的增广拉格朗日函数表示为,
其中μ是一个惩罚参数且μ>0,P、p均是拉格朗日乘子,tr(·)是迹运算,T是矩阵的转秩,F是矩阵的Frobenius范数。
5.根据权利要求4所述一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,增广拉格朗日函数中参数的具体优化过程如下:
z的优化
zk+1的解可以通过软阈值方法得到,其中k表示第k步的迭代;
x的优化
其中H=[vec(A1) ,vec(A2) ,...,vec(AN)],
k表示第k步的迭代,从而得到如下的解,
xk+1=(HTH+WTW)-1(HTek+1+WTbk+1);
max(||y-A(xk+1)||∞,||zk+1-Wxk+1||∞)<ε
若达到最大迭代次数或满足以上终止条件,输出xk+1作为x,否则,返回到步骤。
6.根据权利要求5所述一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,步骤S302的具体方法如下:
对于每一个高质量训练图像块特征向量y1,运用高质量训练字典样本图像上对应位置的图像块特征向量进行线性表示,
y1=c1G1+c2G2+...ciGi+...+cNGN+E2
其中,Gi表示第i个低质量训练字典样本图像上对应位置的图像块特征向量,且i={1,
2,...,N},N表示低质量训练字典样本图像的个数,ci表示系数向量x中第i个元素对应的系数,E2表示残差项。
7.根据权利要求6所述一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,在步骤S302中,高质量训练图像块的表示系数求解方法如下所示:
首先,定义 对于每一个高质量训练图像块特征向
量,运用加权稀疏编码正则的回归表示方法获得其在低质量训练样本图像块的线性表示,将其回归模型表示为,
其中 表示L2范数,λ是正则化参数,W1是给定的局部相似矩阵,c表示高质量训练图像块的表示系数;
其次,为了求解方便,需要引入辅助变量z1将以上模型表示为,
s.t.z1=W1c;
其中,通过引入两个辅助变量M和m,上式的增广拉格朗日函数表示为,
式中μ是一个惩罚参数且μ>0,M,m是拉格朗日乘子,tr(·)是迹运算。
8.根据权利要求7所述一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,增广拉格朗日函数中参数的具体优化过程如下:
z1的优化
的解可以通过软阈值方法得到;
c的优化
其中H=[vec(G1),vec(G2) ,...,vec(GN)],
从而得到如下的解,
k+1 T T -1 T k+1 T k+1
c =(HH+W1W1) (He +W1b );
其中||·||是一个给定的范数,若达到最大迭代次数或满足以上终止条件,输出ck+1作为c,否则,返回到步骤。
9.根据权利要求8所述一种基于卷积神经网络特征的跨质量人脸识别方法,其特征在于,步骤S4的具体方法如下:
对于一个低质量测试图像块特征向量y,通过步骤S3得到其在低质量训练字典图像块特征向量上的线性表示x,对于一个高质量训练图像块集,获得其在高质量训练字典图像块上的线性表示c=[c1,c2,…cL],L表示高质量训练字典图像的个数,则组合系数w可以由下面公式得到,
其中η是平衡参数,那么每个类的重建误差ei(x)计算为,
其中,ci表示第i类低质量测试图像块在高质量训练字典图像块上的线性表示,函数δi表示与第i类相关的权重,w*表示组合系数。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于数字信息传输的可升降式面部识别装置 | 2020-05-08 | 101 |
一种客车油箱防盗方法及系统 | 2020-05-08 | 310 |
一种人脸识别方法及人脸识别设备 | 2020-05-08 | 723 |
一种美容仪 | 2020-05-08 | 991 |
一种人脸识别方法及装置 | 2020-05-08 | 314 |
一种可检测人体距离的智能门锁 | 2020-05-11 | 683 |
一种儿童人脸识别考勤设备 | 2020-05-11 | 510 |
一种用于自动人脸识别的智能远程招聘广告机 | 2020-05-08 | 9 |
一种学生宿舍用门禁装置 | 2020-05-11 | 906 |
一种社区公厕的识别警示装置 | 2020-05-08 | 306 |
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。