[发明专利]人脸表示和相似度计算方法

权利要求书

1.一种人脸表示和相似度计算方法，其特征在于：

(1)收集生成网络人脸训练集；

(2)利用训练集中的人脸图像训练得到卷积核；

(3)利用所述卷积核，对训练集中的人脸图像进行特征表示；

(4)利用所述卷积核，对输入人脸图像进行特征表示；

(5)在训练集中的人脸图像特征表示中提取判别特征；

(6)在输入人脸图像特征表示中提取判别特征；

(7)利用判别特征，计算图像相似度;

其中步骤(1)具体为：选择C个名人，其中c=1,2,……，C，名人对应有张图像，其中50<<100，名人对应的所有图像集合为，将训练集记为，,训练集合中的图像，其中i=1,2,……，N，体现姿态、光照和表情的变化;

其中步骤(2)具体为：将训练集中的人脸图像对齐，对齐后的人脸图像大小为128*80像素，将每幅图像划分为2*2个大小相同的人脸块，每个人脸块图像大小为64*40像素，对所有图像的所有人脸块分别进行处理，得到卷积核;

其中对所有图像的所有人脸块分别进行处理，得到卷积核的步骤具体为：每幅图像对应位置j的人脸块记为，其中i=1,2,……N，j=1,2,3,4，在每个人脸块上提取k*k大小的小块，步长为1，则该人脸块表示为：

=[，，……，]，其中1<k<40,m=64-k+1,n=40-k+1，计算，将减去均值，并将每一维特征的方差归一，得到每幅图像对应位置j的人脸块表示：，对所有N幅图像对应位置j的人脸块依次处理,将得到的N个表示连接起来，得到训练集中N幅图像的位置j的人脸块表示为：，对该进行K-means聚类学习，得到K个聚类中心，记为：，其中dj,t表示其中的第t个聚类中心，t=1,2,……K，每个聚类中心作为一个独立的卷积核，对所有图像的所有位置j的人脸块都按照上述步骤分别进行卷积核学习，得到{，j=1,2,3,4}。

2.如权利要求1所述的方法，其中步骤(3)具体为：对人脸图像卷积操作后进行Pooling操作和ReLU操作以进行特征表示。

3.如权利要求2所述的方法，其中的卷积操作具体为：将每个聚类中心dj,t做为一个卷积核，进行内积运算，将拉直的卷积向量还原为二维图像，对训练集中的人脸图像中的所有， j=1,2,3,4，进行上述内积运算，相同位置的人脸块对应相同位置训练得出的卷积核，共得到2*2*K个卷积图像，其中每个卷积图像的大小为m*n。

4.如权利要求3所述的方法，其中的Pooling操作具体为：利用均值Pooling操作来提取不变特征，将每个m*n的卷积图像划分为4*4像素大小的不重叠的网格，计算每个网格的均值，得到均值Pooling后的响应图，经过Pooling操作后，每个响应图的大小为（m/4）*（n/4）。

5.如权利要求4所述的方法，其中的ReLU操作具体为：将均值Pooling操作后输出的响应图中的负响应值归0，保留正响应值，通过ReLU操作，加入了特征的非线性，对于输入的，将ReLU操作后的所有响应图拉直后得到的人脸块表示为，特征维度为K*（m/4）*（n/4），将2*2个位置得到的人脸块表示依次连接起来，得到训练集人脸图像的特征表示, 特征维度是A=2*2*K*（m/4）*（n/4）维。

6.如权利要求1所述的方法，其中步骤(4)具体为：对人脸图像卷积操作后进行Pooling和ReLU操作以进行特征表示。