[发明专利]基于正交实验分析的深度学习人脸图像扩充方法

说明书

一种基于正交实验分析的深度学习人脸图像扩充方法，包括：扩充人脸图像、训练深度卷积神经网络、正交实验、优化深度卷积神经网络步骤。本发明采用正交实验分析了不同的人脸图像扩充方法对人脸识别率的影响，确定了最佳的扩充方法。使用人脸图像扩充方法容易获得大量人脸图像数据，解决了实际应用中人脸采集耗时长、效率低的技术问题。同时采用深度卷积神经网络对扩充后的人脸图像进行训练，解决了人脸识别方法在实际应用中识别率低的技术问题。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于正交实验分析的深度学习人脸图像扩充方法。

背景技术

人脸识别是一种生物特征识别技术，卷积神经网络的提出进一步提高了人脸识别率，由于其可靠性强，识别率高等优点，人脸识别具有广泛的应用前景。文献“A unifiedembedding for face recognition and clustering.In Proc.CVPR,2015，p815-823”公开了一种基于深度学习的人脸识别方法。该方法以大量人脸图片作为输入，通过深度卷积神经网络学习人脸特征，将人脸图像映射到欧式空间，空间距离的长度表示人脸图像的相似性，通过比较人脸图像的空间距离长度完成人脸识别。然而，该方法在训练深度卷积神经网络时使用了大量人脸图像，在实际应用中采集人脸图像效率低、耗时长，获取大量的人脸图像数据比较困难。对人脸图像进行扩充是一种有效的方法，但人脸图像扩充方法复杂多样。因此分析不同扩充方法对人脸识别率的影响，确定最佳的扩充方法是十分必要的。

发明内容

本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种人脸图像获取简单、效率高、人脸识别效果好的基于正交实验分析的深度学习人脸图像扩充方法。

解决上技术问题所采用的技术方案由下述步骤组成：

(1)扩充人脸图像

建立原始人脸图像数据库I为：

I＝{I_k|k∈[1,N]} (1)

其中N是初始人脸图像的总数量为有限的正整数，I_k为一幅人脸图像，k为原始人脸图像数据库I中图像的编号。

使用不同的数据扩充方法对原始人脸图像数据库I进行扩充，数据扩充方法采用现有的图像处理方法，包括图像旋转、图像放大、图像平移、亮度增强、均值滤波、中值滤波、高斯滤波、双边滤波，得到扩充后的人脸数据集：

式中为平移后的图像，为旋转后的图像，为缩放后的图像，为亮度增强后的图像，为经过均值滤波处理后的图像，为经过中值滤波处理后的图像，为经过高斯滤波处理后的图像，为经过双边滤波处理后的图像。

经扩充后的人脸数据集作为训练集如下：

D＝{(I_i′,T_i)|i∈[1,U]} (3)

式中I_i′为待训练的人脸图像，T_i为I_i′相应的人脸标签，U是D中图片的总数量为有限的正整数，i为D中图像的编号。

(2)训练深度卷积神经网络

卷积神经网络包括输入层(1)、13个卷积层(2)，5个池化层(3)、3个全连接层(4)、输出层(5)，连接关系如下：