[发明专利]基于相似度保留堆叠自编码器的人脸姿态重建与识别方法

摘要

本发明公开了一种基于相似度保留堆叠自编码器的人脸姿态重建与识别方法，其特征是，包括如下步骤：1）多角度人脸图像的姿态角度步进减小；2）目标姿态特征提取；3）构建相似度保留自编码器的总损失函数；4）堆叠相似度保留自编码器；5）训练并微调网络；6）重建与识别：将重建好的正脸图像和网络的最高隐含层特征分别使用线性判别分析法，即LDA法进行降维来提取具有判别性的人脸特征，并用最近邻分类器完成人脸识别。这种方法能够消除人脸图像的姿态角度偏转影响、能够提取到人脸对于多姿态变化更具鲁棒性的特征，且提取到的姿态特征能和原始正脸图像的特征相匹配，从而提高识别率。

主权项

一种基于相似度保留堆叠自编码器的人脸姿态重建与识别方法，其特征是，包括如下步骤：1)多角度人脸图像的姿态角度步进减小：给定多角度姿态输入图像x(1)以及图像x(1)下一级小姿态角度图像将x(1)作为第一步进自编码器的输入，则作为第一步进自编码器的期望输出，接着在第一步进自编码器编码过程中，通过编码参数{W1(1),b1(1)}将多角度姿态输入图像x(1)映射到隐含层h1中，在第一步进自编码器解码过程中，又通过解码参数{W1(2),b1(2)}将输入图像的隐含层特征h1映射到输出层y(1)，最后通过最小化均方误差函数Lpose来实现姿态角度的步进减小；2)目标姿态特征提取：将步骤1)中第一步进自编码器的目标姿态角度图像作为第二半自编码器的输入，通过参数{W1(3),b1(3)}将映射到第二半自编码器的隐含层即为提取到的目标姿态特征；3)构建相似度保留自编码器的总损失函数：步骤1)中第一步进自编码器和步骤2)中的第二半自编码器构成一个相似度保留自编码器，在第一步进自编码器的损失函数Lpose中加入相似度保留约束项，即对输入图像的隐含层特征h1和目标姿态的隐含层特征作相似度约束在损失函数Lpose中引入相似度保留项后，再在其中加入对隐含层特征h1和的稀疏性限制Lsparse1，Lsparse2，即稀疏正则项，来共同构成网络总的损失函数Ltrain；4)堆叠相似度保留自编码器：步骤3)中得到了第一个相似度保留自编码器的总损失函数Ltrain，通过最小化损失函数，采用随机梯度下降法来训练网络参数{W1(1),b1(1)}、{W1(2),b1(2)}和{W1(3),b1(3)}，之后将多角度姿态输入图像x(1)通过训练好的参数{W1(1),b1(1)}得到隐含层特征h1，接着将h1作为第二步进自编码的输入，取的下一级小姿态角度图像作为第二步进自编码的目标姿态图像，同样按照步骤1)的方法来将h1映射到隐含层h2，h2又被映射到输出层y(2)，另一方面，第二步进自编码的目标姿态图像又作为第二半自编码器的输入，按照步骤2)的方法将其映射到隐含层接着同步骤3)，最小化第二相似度保留自编码器的损失函数来训练参数，如此往复来堆叠多个这样的相似度保留自编码器来逐步重建正脸图像，并提取姿态不变特征；5)训练并微调网络：以多角度姿态图像x(1)作为微调网络的输入，在最终的输出端，以正脸姿态图像作为网络的期望输出，通过步骤1)‑步骤4)预训练过程训练好的参数将x(1)映射到最终的输出层y0，接着通过最小化微调网络的损失函数来微调整个网络；6)重建与识别：将带有不同姿态角度的测试图像输入到训练好的微调网络中，通过连接训练好的参数，将测试图像步进映射到多个隐含层中，在输出端得到重建好的正脸图像，接着将重建好的正脸图像和网络的最高隐含层特征分别使用线性判别分析法，即LDA法进行降维来提取具有判别性的人脸特征，并用最近邻分类器完成人脸识别。