[发明专利]基于正交实验分析的深度学习人脸图像扩充方法

摘要

一种基于正交实验分析的深度学习人脸图像扩充方法，包括：扩充人脸图像、训练深度卷积神经网络、正交实验、优化深度卷积神经网络步骤。本发明采用正交实验分析了不同的人脸图像扩充方法对人脸识别率的影响，确定了最佳的扩充方法。使用人脸图像扩充方法容易获得大量人脸图像数据，解决了实际应用中人脸采集耗时长、效率低的技术问题。同时采用深度卷积神经网络对扩充后的人脸图像进行训练，解决了人脸识别方法在实际应用中识别率低的技术问题。

主权项

1.一种基于正交实验分析的深度学习人脸图像扩充方法，其特征在于由下述步骤组成：(1)扩充人脸图像建立原始人脸图像数据库I为：I＝{Ik|k∈[1,N]}                                (1)其中N是初始人脸图像的总数量为有限的正整数，Ik为一幅人脸图像，k为原始人脸图像数据库I中图像的编号；使用不同的数据扩充方法对原始人脸图像数据库I进行扩充，数据扩充方法采用现有的图像处理方法，包括图像旋转、图像放大、图像平移、亮度增强、均值滤波、中值滤波、高斯滤波、双边滤波，得到扩充后的人脸数据集：式中为平移后的图像，为旋转后的图像，为缩放后的图像，为亮度增强后的图像，为经过均值滤波处理后的图像，为经过中值滤波处理后的图像，为经过高斯滤波处理后的图像，为经过双边滤波处理后的图像；经扩充后的人脸数据集作为训练集如下：D＝{(I′i,Ti)|i∈[1,U]}                             (3)式中I′i为待训练的人脸图像，Ti为I′i相应的人脸标签，U是D中图片的总数量为有限的正整数，i为D中图像的编号；(2)训练深度卷积神经网络卷积神经网络包括输入层(1)、13个卷积层(2)，5个池化层(3)、3个全连接层(4)、输出层(5)，连接关系如下：输入层(1)是大小为224×224的人脸图像，输入层(1)后依次连接2个含有64个特征图的卷积层(2)，含有64个特征图的卷积层(2)后连接含有64个特征图的池化层(3)，含有64个特征图的池化层(3)后依次连接2个含有128个特征图的卷积层(2)，含有128个特征图的卷积层(2)后连接含有128个特征图的池化层(3)，含有128个特征图的池化层(3)后依次连接3个含有256个特征图的卷积层(2)，含有256个特征图的卷积层(2)后连接含有256个特征图的池化层(3)，含有256个特征图的池化层(3)后依次连接3个含有512个特征图的卷积层(2)，含有512个特征图的卷积层(2)后连接含有512个特征图的池化层(3)，含有512个特征图的池化层(3)后依次连接3个含有512个特征图的卷积层(2)，含有512个特征图的卷积层(2)后连接含有512个特征图的池化层(3)，含有512个特征图的池化层(3)后依次连接全连接层(4)和输出层(5)，构建成深度卷积神经网络；将扩充后的人脸图像数据集作为训练数据输入到深度卷积神经网络中进行训练，训练过程如下：式中W(m,n)是卷积层(2)中卷积核的元素，m、n分别为卷积核的第m行、第n列，C(x,y)是巻积操作后的输出矩阵在第x行第y列的元素，s为卷积核的大小，b为卷积层的偏置值；用公式(5)对卷积层得到的特征图进行下采样操作：P(x,y)＝max(C(x+m′,y+n′))                           (5)式中P(x,y)是池化层输出矩阵的元素，m′、n′是下采样操作所采取的步长为有限的正整数；用公式(6)得到全连接层(4)的输出：式中，Fq表示在神经元q处的输出，W′为全连接层的权重矩阵，s′为权重矩阵的大小，b′为全连接层的偏置值；用公式(7)作为网络的损失函数，使用小批量梯度下降算法来训练深度卷积神经网络：式中M是一个批次中训练图片的数量为有限的正整数，J为输出层(5)神经元的数量，q和Z为神经元的编号；在训练过程中使用反向传播方法更新深度卷积神经网络的权重w′t如下：式中μ为动量，Δvt‑1为迭代次数为t‑1时更新的权重变化量，α是学习率为0.0005～0.005，wt是迭代次数为t时的权重；(3)正交实验用图像旋转、图像放大、图像平移、亮度增强、均值滤波、中值滤波、高斯滤波、双边滤波作为不同因素，不同水平组合的数据扩充方法对原始人脸图像数据库I进行扩充，并进行正交实验，训练深度卷积神经网络，确定相应的人脸识别率，用极差分析法对正交实验的结果进行分析，确定最佳的人脸数据扩充方法，对原始人脸图像数据库进行扩充，重新训练深度卷积神经网络；(4)优化深度卷积神经网络调整深度卷积神经网络的层数、学习率、每层网络的卷积核个数和大小，重复实验，选择人脸识别率最高的模型，对参数及训练好的模型保存。