[发明专利]一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法

摘要

本发明一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法，包括步骤S1从源域和目标域人脸集中采集多个人脸图像组成虚拟域人脸集；步骤S2训练出源域、虚拟域和目标域的卷积深度神经网络；分别组成源域、目标域人脸集的人脸图像的卷积特征；步骤S3建立源视角映射矩阵和目标视角映射矩阵，获得源域、目标域人脸集的人脸图像的卷积特征在映射空间中相应的源域、目标域新人脸特征值；步骤S4优化源视角映射矩阵和目标视角映射矩阵；步骤S5计算测试人脸图片的卷积特征并输入映射矩阵，得到并在一个新人脸特征值与多个新人脸特征之间的多个距离中选择最小距离对应的测试源视角人脸图像的身份作为测试目标视角人脸图像的身份。

主权项

一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法，特征在于，该方法包括以下步骤：步骤S1：从源域人脸集和目标域人脸集中分别随机采样多个人脸图像，组成一个虚拟域人脸集；步骤S2：对源域人脸集、虚拟域人脸集和目标域人脸集分别训练出源域、虚拟域和目标域的卷积深度神经网络；将源域人脸集中的人脸图像输入到源域、虚拟域和目标域的卷积深度神经网络并分别计算，得到与所述网络相应的源域人脸图像的特征值，并将源域人脸图像的特征值串接在一起，组成源域人脸集的人脸图像的卷积特征；将目标域人脸集中的人脸图像输入到源域、虚拟域和目标域的卷积深度神经网络并分别计算，得到与所述网络相应的目标域人脸图像的特征值，并将三个所述网络的目标域人脸图像的特征值串接在一起，组成目标域人脸集的人脸图像的卷积特征；步骤S3：对源域人脸集和目标域人脸集建立源视角映射矩阵和目标视角映射矩阵，将源域人脸集的人脸图像的卷积特征输入到源视角映射矩阵，将目标域人脸集的人脸图像的卷积特征输入到目标视角映射矩阵，获得源域人脸集的人脸图像的卷积特征在映射空间中的源域新人脸特征值、获得目标域人脸集的人脸图像的卷积特征在映射空间中的目标域新人脸特征值；步骤S4：通过约束源域新人脸特征值和目标域新人脸特征值的类内紧致性，优化源视角映射矩阵和目标视角映射矩阵；步骤S5：对多张测试源视角人脸图像和一张测试目标视角人脸图像分别计算，得到并将多个源视角人脸图像的卷积特征和一个目标视角人脸图像的卷积特征输入到与之相应的源视角映射矩阵和目标视角映射矩阵计算，得到测试源视角多个新人脸特征值和测试目标视角的一个新人脸特征值；对新人脸特征值计算得到测试目标视角的一个新人脸特征到测试源视角的多个新人脸特征之间的多个距离，并在多个距离中选择最小距离对应的测试源视角人脸图像的身份作为测试目标视角人脸图像的身份；其中，所述优化源视角映射矩阵和优化目标视角映射矩阵的步骤具体为：1)构建源域人脸集和目标域人脸集的人脸图像在映射空间中的新人脸特征值的类内紧致性约束函数J(FS,FT)：J(FS,FT)=1NΣi=1NCΣk=1NSiΣj=1NTb||FSsi,k-FTtb,j||2]]>其中FS为源视角映射矩阵，FT为目标视角映射矩阵，N为人脸集中人脸图像的总对数，NC为源域人脸集中人的个数，为第i个人的源域人脸图像的个数，表示第b个人的目标域人脸图像的个数，b＝i，si,k为第i个人的源域人脸图像的卷积特征集Si中的第k个特征，tb,j为第b个人的目标域人脸图像的卷积特征集Tb中的第j个特征；i为源域人脸集中人的序号，b为目标域人脸集中人的序号，k为卷积特征集Si中特征的序号，j为卷积特征集Tb中特征的序号；ni是第i个人的源域人脸图像和目标域人脸图像组成的人脸图像的对数；2)通过最小化所述约束函数J(FS,FT)，构造区分性学习的优化目标函数；分别计算所述优化目标函数J(FS,FT)关于源视角映射矩阵FS和目标视角映射矩阵FT的梯度为：∂J(FS,FT)∂FS,∂J(FS,FT)∂FT]]>利用梯度下降方法分别更新源视角映射矩阵、目标视角映射矩阵直到收敛，从而得到优化的源视角映射矩阵和目标视角映射矩阵。