[发明专利]基于概率协同表示和卷积神经网络的识别方法

说明书

本发明公开一种基于概率协同表示和卷积神经网络识别方法，包括如下步骤：首先，利用概率分布构造一种新的简单易行的重建函数，将原始训练样本集通过该重建函数进行重建得到新的训练样本集；将用新的训练样本集和原始训练样本集训练CNN网络；用训练好的CNN网络从原始测试样本集中提取有效特征，用提取的有效特征来训练SVM分类器，再通过训练好的SVM分类器识别所有的待识别样本。本发明利用有限的训练样本集通过新的目标函数构造重建测试样本，作为新的训练样本集，输入CNN网络，能有效提取人脸特征，再使用这些人脸特征去训练SVM，所得到测试样本的重建图接近原测试样本图，识别效果明显。

技术领域

本发明属于人工智能技术领域，涉及人脸识别方法，尤其涉及一种基于概率协同表示和卷积神经网络的识别方法。

背景技术

随着人工智能对人类生活的逐渐渗透，智能化的人脸识别无疑在将来的各个领域得到普遍的应用。

CRC法是经典的稀疏人脸识别方法，它是利用L2范数进行改进的稀疏识别方法。INNC法是在CRC法的基础上进行改进的方法，它是基于原始的人脸库来选择接近测试样本的训练样本的类别，大大减少了计算量；DALM法是一种基于L_1范数的改进稀疏识别方法，但这几种经典方法不能更好的适用训练样本较少的情况。

基于概率的协同表示方法以及基于概率协同表示和BP神经网络识别方法，虽然在一定程度上提高人脸识别率，但是它们只能用于提取表面的人脸特征。前者是一种改进的稀疏识别方法，后者是改进的BP神经网络方法，由于BP神经网络只是浅层神经网络，不能更好的提取人脸图像的特征，具有局部较小的缺点；基于卷积神经网络的识别方法充分运用CNN网络提取人脸图像进行深层次的特征提取，如果给定的目标训练集数量较少，则CNN网络无法获取足够的人脸特征用于人脸识别。在实际生活中给定的人脸数是有限的，面对训练样本较少的情况，如何有效的提高人脸识别率是一个很重要的问题。

发明内容

发明目的：针对现有技术的缺陷，提供一种基于概率协同表示和卷积神经网络识别方法。

技术方案：本发明公开了一种基于概率协同表示和卷积神经网络识别方法。该识别方法包括以下步骤：

(1)确定重建函数，以使得通过所述重建函数来重建原始测试样本时，重建的测试样本与原始测试样本最接近；其中，确定重建函数具体包括：

(11)设原始训练样本矩阵X所在的线性空S为线性概率协作空间，e_X为X中所有原始训练样本的标签集，对于第i类原始测试样本y，若存在系数组合r，使得重建的测试样本y_i＝X*r，并且y_i最接近y，若将y_i被分配到的类标签记为e_Xi，可知存在e_Xi∈e_X；运用高斯函数来定义e_Xi∈e_X的概率P(e_Xi∈e_X)与r之间的关系：

其中d为常数；

(12)基于X构造关于原始训练样本的辅助函数，并根据所述辅助函数和概率P(e_Xi∈e_X)与r之间的所述关系以y_i最接近y为目标构造目标函数；

(13)对所述目标函数进行求解以确定所述系数组合r，将所述系数组合r作为所述重建函数；

(2)通过所述重建函数重建所述原始训练样本集得到新的训练样本集，并用新的训练样本集和所述原始训练样本集训练CNN网络；

(3)用训练好的CNN网络从所述原始测试样本集中提取有效特征，用提取的有效特征来训练SVM分类器，再通过训练好的SVM分类器识别所有的待识别样本。