[发明专利]基于深度学习多层非负矩阵分解的人脸识别方法

摘要

本发明公开了一种基于深度学习多层非负矩阵分解的人脸识别方法，主要解决现有人脸识别技术在复杂外观变化下识别率低的问题。其技术方案是：1.利用VGG‑Face提取训练样本和测试样本各个通道数据的特征数据；2.对训练样本各个通道数据的特征数据分别重复L次归一化、非线性变换和矩阵分解的特征提取过程，得到低秩鲁棒特征；3.构建K个最近邻分类器；4.将测试样本的各个通道数据的特征数据分别进行投影，得到投影系数向量；5.将投影系数向量输入到K个最近邻分类器进行分类；6.综合K个最近邻分类器的分类结果，得到测试样本的识别结果。本发明提高了复杂外观变化下的人脸识别率，可应用于身份鉴定和信息安全领域。

主权项

基于深度学习多层非负矩阵分解的人脸识别方法，包括：(1)将训练样本的每个通道数据输入到VGG‑Face深度卷积神经网络中，得到训练样本每个通道数据的特征数据X(k)，其中，k＝1,2,...,K，K为训练样本的通道数；(2)对步骤(1)得到的特征数据X(k)分别进行归一化、非线性变换和矩阵分解的特征提取过程，得到系数矩阵H(k)；(3)将步骤(2)中的特征提取过程重复L次，得到低秩鲁棒特征hj(k)，其中，j＝1,2,...,n，n为训练样本总数；(4)根据步骤(3)得到的低秩鲁棒特征hj(k)，构造K个最近邻分类器；(5)将测试样本的每个通道数据输入到VGG‑Face深度卷积神经网络中，得到测试样本每个通道数据的特征数据Y(k)；(6)根据步骤(5)得到的特征数据Y(k)进行投影过程，得到投影系数向量(7)将步骤(6)得到的投影系数向量输入到K个最近邻分类器中，得到测试样本每个通道的分类结果，其中，i＝1,2,...,e，e为测试样本总数；(8)综合步骤(7)得到的测试样本每个通道的分类结果，得到测试样本的分类结果。