[发明专利]一种基于HOG和深度残差网络的人脸识别方法

权利要求书

1.一种HOG和深度残差网络的人脸识别方法，包括以下步骤：

S1，对人脸图像进行预处理：

首先对图像进行灰度化操作，计算整幅图像的平均亮度，当图像过于明亮或过于黑暗时，进行灰度直方图均衡，实现图像增强，提升图像对比度；

S2，计算图像的方向梯度直方图，通过支持向量机实现人脸检测：

计算预处理后图像中各个像素的梯度幅值与梯度方向，通过相邻像素的梯度组合构成梯度单元与块单元，进行归一化处理构成方向梯度直方图；通过使用支持向量机进行图像中人脸部分的检测，然后对于图像中的人脸部分进行裁剪操作，作为后续提取特征的输入；

S3，搭建基于深度残差模块的提取特征网络：

通过深度残差模块搭建提取特征网络，将步骤S2采集的人脸图像作为提取特征网络输入，提取人脸图像的128维深层特征，并进行编码；

S4，进行特征比对，实现人脸识别：

将待检测人脸与已存储的人脸库的128维特征编码进行一对多的比对，将检测的人脸特征向量与已存储的人脸库特征向量相减，获得对比矩阵，计算对比矩阵的1-范数获得两幅图像的欧式距离，判断两幅图像的相似度，将人脸库中的相似人脸进行存储，再将这些相似人脸的特征编码与待识别人脸的特征编码进行二次比对，选择欧氏距离最小者作为识别结果，实现人脸识别。

2.根据权利要求1所述的人脸识别方法，其特征在于：步骤S2中，像素点(x,y)的梯度值表示为：

其中：x轴为图像的水平方向，y轴为图像的竖直方向，G_x(x,y)，G_y(x,y),H(x,y)分别表示图像的像素点(x,y)处的横坐标方向、纵坐标方向的梯度幅值与像素值；

(x,y)对应的梯度幅值和方向分别为：

8*8个像素的梯度与幅值构成最小的梯度单元，梯度单元的梯度幅值为每个像素的梯度幅值的平均值，梯度方向根据每个像素的梯度幅值作为权值进行梯度方向的加权的矢量计算，相邻4个梯度单元组成一个块单元，将块单元内的特征向量串联，并对块单元内的特征向量归一化并对使用块单元对整幅图像扫描，将所有块单元的特征向量串联构成方向梯度直方图。

3.根据权利要求1所述的人脸识别方法，其特征在于：步骤S3搭建基于深度残差模块的提取特征网络包括以下步骤：

1)将检测的人脸图像缩放处理为224*224大小的图像并输入至该网络中，通过使用尺寸大小为7*7的卷积核、步距为2进行卷积操作获得图像的浅层特征；

2)将第一层卷积层输出的特征层通过以3*3大小、步距为2的池化层进行最大池化操作，通过由两层深度为64、卷积核3*3大小的卷积层与一层深度为64、卷积核大小为1*1的卷积层并联组成的残差结构进行处理，得到64张大小为56*56的特征图，同理，第二、第三层残差结构输出均是64张大小为56*56的特征图；

3)第四层残差结构通过一层深度为128、卷积核3*3大小、步距为2的卷积层与一层深度为128、卷积核3*3大小、步距为1的卷积层串联后，与一层深度为128、卷积核大小为1*1、步距为2的卷积层并联构成残差结构使得输出结果为128张28*28大小的特征图；

4)第四至第七层残差结构均由两层深度为128、卷积核3*3大小的卷积层与一层深度为128、卷积核大小为1*1的卷积层组成，输出结果均为128张28*28大小的特征图；第八层残差结构、第十二层残差结构与步骤3同理，深度分别改为256与512，得到输出结果分别为256张14*14大小的特征图与512张7*7大小的特征图；第九层至第十一层残差结构、第十三至第十四层残差结构与第四至第七层结构同理，深度分别改为256与512，得到输出结果分别为256张14*14大小的特征图与512张7*7大小的特征图；

5)通过平均池化的操作进行处理并添加128节点的全连接层作为输出，此时全连接层输出作为输入人脸图像的128维特征表示。

4.根据权利要求1所述的人脸识别方法，其特征在于：步骤S4中，对于采集的人脸图像通过网络进行提取后将特征生成128维特征矩阵，通过与已有人脸库中已存储的人脸特征矩阵进行相减获得比对矩阵，对于比对矩阵求得1-范数：

对于1*128的比对矩阵进行1-范数计算如下：

当所得结果小于设定阈值时，判断人脸相似，寻找采集人脸图像与人脸库中每张人脸的比对矩阵的1-范数的值最小的人脸库信息作为输出结果，实现识别。