[发明专利]基于深度学习多层非负矩阵分解的人脸识别方法

说明书

本发明公开了一种基于深度学习多层非负矩阵分解的人脸识别方法，主要解决现有人脸识别技术在复杂外观变化下识别率低的问题。其技术方案是：1.利用VGG‑Face提取训练样本和测试样本各个通道数据的特征数据；2.对训练样本各个通道数据的特征数据分别重复L次归一化、非线性变换和矩阵分解的特征提取过程，得到低秩鲁棒特征；3.构建K个最近邻分类器；4.将测试样本的各个通道数据的特征数据分别进行投影，得到投影系数向量；5.将投影系数向量输入到K个最近邻分类器进行分类；6.综合K个最近邻分类器的分类结果，得到测试样本的识别结果。本发明提高了复杂外观变化下的人脸识别率，可应用于身份鉴定和信息安全领域。

技术领域

本发明属于图像处理技术领域，特别涉及人脸图像识别方法，可应用于身份鉴定和信息安全领域。

背景技术

随着人类社会的不断发展，人脸识别在安保、金融、电子政务等多个领域具有广泛应用，提高人脸识别性能有利于扩大人脸识别的应用。当前关于人脸识别的主要研究在于提取有效、鲁棒并且更具鉴别性的特征和设计具有更好分类能力的分类器。选择更加鲁棒、更有鉴别力的特征以及设计具有良好分类能力的分类器是提高人脸识别鲁棒性的关键。

非负矩阵分解是一种在非负约束下进行矩阵分解的特征提取方法，具有良好的数据表示能力，可大幅度降低数据特征的维数，而且其分解特性合乎人类视觉感知的直观体验，分解结果具有可解释和明确的物理意义。基本非负矩阵分解NMF直接将原始系数矩阵分解为基矩阵和系数矩阵，并要求基矩阵以及系数矩阵都是非负的，这表明非负矩阵分解NMF只存在加性组合。因此，非负矩阵分解NMF可以看作是一个基于部分表示的模型，能够提供观测数据的局部结构，但有些情况下，NMF算法也会给出全局特征，导致分类性能受限。

深度学习是机器学习领域中特征表示的一个新的研究方向，近年来在语音识别、计算机视觉等多类应用中取得突破性的进展，深度学习通过组合底层特征形成更加抽象的高层表示或特征。深度学习模型中，具有更多的非线性变换层，具有更强的泛化能力。但在实际应用中，头部姿势、照明、遮挡等因素产生的外观变化会导致深度学习的性能下降，到目前为止没有良好的解决办法。

发明内容

鉴于以上所述的现有技术缺点，本发明的目的在于提供一种基于深度学习多层非负矩阵分解的人脸识别方法，以获取深层次更具判别性的低秩鲁棒特征，提高复杂外观变化下的人脸识别率。

实现本发明的技术关键是在深度学习的基础上，引入了一种新的多层非负矩阵分解，以对现有的深度学习方法进行改进。具体来说，本发明是通过对深度学习得到的样本特征进行多次非负矩阵分解，以此得到更具鉴别力的低秩特征表示，从而提高人脸识别率，其步骤包括如下：

(1)将训练样本的每个通道数据输入到VGG-Face深度卷积神经网络中，得到训练样本每个通道数据的特征数据X(k)，其中，k＝1,2,...,K，K为训练样本的通道数；

(2)对步骤(1)得到的特征数据X(k)分别进行归一化、非线性变换和矩阵分解的特征提取过程，得到系数矩阵H(k)；

(3)将步骤(2)中的特征提取过程重复L次，得到低秩鲁棒特征h_j(k)，其中，j＝1,2,...,n，n为训练样本总数；

(4)根据步骤(3)得到的低秩鲁棒特征h_j(k)，构造K个最近邻分类器；

(5)将测试样本的每个通道数据输入到VGG-Face深度卷积神经网络中，得到测试样本每个通道数据的特征数据Y(k)；

(6)根据步骤(5)得到的特征数据Y(k)进行投影过程，得到投影系数向量

(7)将步骤(6)得到的投影系数向量输入到K个最近邻分类器中，得到测试样本每个通道的分类结果，其中，i＝1,2,...,e，e为测试样本总数；