[发明专利]一种基于合成图像和深度学习的虚拟人脸识别方法

权利要求书

1.一种基于合成图像和深度学习的虚拟人脸识别方法，其特征在于，包括以下步骤：

步骤1：图像合成；

具体包括以下子步骤：

步骤1.1：给定父亲照片F和母亲照片M，计算中间照片C关键点坐标；

步骤1.2：合成中间照片C；

具体包括以下子步骤：

步骤1.2.1：对合成照片进行三角剖分；

步骤1.2.2：对取样照片进行相同位置的三角剖分；

步骤1.2.3：计算三角剖分后合成照片与取样照片中各个对应的小三角形的仿射变换矩阵；

步骤1.2.4：将取样照片小三角形中各个像素点按照各自的仿射变换矩阵映射到合成照片相对应的三角形内；

步骤2：构建人脸识别模型；

具体包括以下子步骤：

步骤2.1：照片预处理，将预处理的照片分成两大类，分别为训练集和测试集，训练集用来训练卷积神经网络模型，将训练后的模型在测试集上进行测试；

步骤2.2：训练深度卷积神经网络模型；

具体包括以下子步骤：

步骤2.2.1：构建卷积神经网络结构；

步骤2.2.1中，卷积神经网络结构包含三个卷积层、两个池化层、一个全连接层和softmax层，第一层是一个使用16个滤波器的卷积层，每个滤波器大小为5×5×6，其后面跟着一个池化层，第二层是一个使用64个滤波器的卷积层，每个滤波器大小为2×2×16，其后面跟着一个池化层，第三层是一个使用128个滤波器的卷积层，每个滤波器大小为5×5×64，第四层是一个有640个神经元的全连接层，最后是可以实现对亲属关系进行识别判断的softmax层，卷积层和第一个全连接层上的激活函数使用sigmoid激活函数，并对特征图像采用2×2的池化操作；

步骤2.2.2：使用反向传播算法训练卷积神经网络模型；

步骤2.2.2中，将训练集中的照片输入到卷积神经网络模型中，卷积神经网络从一个随机滤波器开始计算，得到n对样本数据的真实值与输出值之间差的平方和的均值e的公式如下：

其中，n表示n对样本数据，表示卷积神经网络模型的输出，表示训练集给出的输出，e越小表示卷积神经网络模型的输出越接近训练集的输出，使用梯度下降法寻找e的全局最小值；

在全连接层中将得到的所有特征照片连接起来，softmax分类层对整个特征照片进行分类训练，输出多个不同的照片类别识别号，即0、1、2……，使用迭代的方法重复上述过程进行多次训练，不断调整网络的参数及权重，选出人脸识别准确率最高和最稳定的网络作为当前使用网络；

步骤3：使用模型进行人脸识别。

2.根据权利要求1所述的基于合成图像和深度学习的虚拟人脸识别方法，其特征在于，步骤1.1的具体实现过程是：给定父亲照片F和母亲照片M，使用Dlib库检测照片中人脸关键点，由检测出父亲照片F和母亲照片M的人脸关键点坐标按照比例计算出中间照片C的关键点坐标，其中中间照片C的关键点横、纵坐标计算公式如下：

x_c＝(1-α)x_f+αx_m

y_c＝(1-α)y_f+αy_m (1)

其中x_m是照片M中关键点的横坐标，y_m是照片M中关键点的纵坐标，x_f是照片F中关键点的横坐标，y_f是照片F中关键点的纵坐标,x_c是照片C中关键点的横坐标，y_c是照片C中关键点的纵坐标,α是控制照片F和M混合程度的参数，0≤α≤1。