[发明专利]Maxout多卷积神经网络融合人脸识别方法和系统

说明书

本发明提出一种基于Maxout多卷积神经网络融合的人脸识别方法，解决了单一网络对正负样本分类不均的技术问题，实现步骤为：利用回归树组合算法和仿射变换处理训练数据得到对齐后的数据库；提取对齐后数据库中人脸图像得到只有人脸区域图像的数据库；构建两个网络，利用Maxout方法得到融合后网络；利用只有人脸区域图像的数据库训练融合后卷积神经网络得到训练后的网络模型；测试图像预处理后对训练后的网络模型进行测试。本发明采用Maxout模块对两或多个子系统进行融合后依次接到全连接模块和输出模块，得到完整的人脸识别系统。本发明能很好的平衡卷积神经网络对正负样本的分类敏感度，提高人脸识别精度。

技术领域

本发明属于图像处理技术领域，涉及卷积神经网络和人脸识别技术，具体是一种基于Maxout多卷积神经网络融合的人脸识别方法和系统，可用于视频检索，动态监控，身份识别，智能楼宇等领域。

背景技术

人脸做为人的一种天然属性，是一种差异性大，容易获取的生物特征，因此人脸识别技术获得了广泛的关注和研究。人脸识别，具体是指通过计算机和相关算法对人脸图像进行分析判断的一种认证技术。人脸识别技术应用非常广泛，例如，在公安刑侦领域，可以通过在机场和车站按照人脸识别系统来辅助抓捕逃犯；生活中可以利用人脸识别代替密码，进行网络支付，防止密码被盗造成个人财产损失等。人脸识别的应用领域也正在逐渐扩大。

由于人脸识别应用领域十分广阔，给人们的生活和工作带来了便利和安全，因此人脸识别技术受到了广泛的研究。早期的人脸识别方法有基于模板匹配法，特征脸法，基于隐马尔克夫模型法等，这些方法所提取的特征都是人工设计的特征，对于光照变化强烈、背景复杂和姿态不同的大规模人脸识别精度不高。随着深度学习发展，尤其是卷积神经网络在图像分类领域取得的巨大成功，基于卷积神经网络的人脸识别技术蓬勃兴起并取得长足的进展。香港中文大学汤晓欧和王刚教授领导的团队提出的DeepID系列方法，其主要思路是通过增加卷积神经网络的个数，通过多不同的卷积神经网络对图像的不同区域提取特征，最后将不同卷积神经网络得到的特征进行连接，并进行PCA降维得到图像的特征向量，DeepID系列在LFW标准测试库上取得了优异的结果。虽然卷积神经网络的快速发展给人脸识别带了很大的突破，但是，基于单一卷积神经网络的人脸识别技术，还存在着许多问题需要解决与克服，比如，光照、背景和姿态对最终的结果都有影响；不同的网络结构在同一个测试集上的表现也不同，有的卷积神经网络对负样本对(不属于同一人的两张图像)表现良好，有的卷积神经网络对正样本对(属于同一人的两张图像)表现良好。

综上所述，现有基于单一卷积神经网络的人脸识别方法，由于其对正负样本分类不均，导致人脸识别测试精度较低。而现有的基于多卷积神经网络融合的人脸识别方法中多采用简单的串联融合方式或线性融合方式，导致网络参数增多，增加了网络训练时间，容易使网络出现过拟合现象。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提出了一种通过改善单一网络对正负样本分类不均提高识别精度的基于Maxout多卷积神经网络融合的人脸识别方法和系统。

本发明是一种基于Maxout多卷积神经网络融合的人脸识别方法，包括如下步骤:

(1)准备训练数据：

(1a)利用回归树组合算法和仿射变换，对训练数据库D₀中的人脸图像进行处理，得到对齐后的人脸数据库D₁；

(1b)利用ViolaJones算法，对步骤(1a)中得到的对齐后的人脸数据库D₁中图像进行人脸提取，得到只包含人脸区域图像的训练数据库D₂；

(2)基于Maxout构建融合网络：顺序构建两个卷积神经网络，再利用Maxout方法得到融合后的卷积神经网络；