一种人脸识别方法

摘要

本发明公开了人脸识别技术领域中的一种人脸识别方法。首先，通过模糊均值聚类法提取人脸特征并组成训练样本集，按人脸特征对训练样本集进行分组；然后，建立并行神经网络，对并行神经网络的输出进行综合，得到最终的识别结果；分类器在识别过程中对训练样本进行更新。本发明解决了传统的神经网络在处理海量图像数据源时识别速度慢，识别精度低等问题，提高了系统的自适应能力。

权利要求

1.一种人脸识别方法，其特征是该方法包括以下步骤：步骤1：通过指定方法提取人脸特征并组成训练样本集，按人脸特征对训练样本集进行分组；

步骤2：在步骤1的基础上建立并行神经网络；

步骤3：对并行神经网络的输出进行综合，得到最终识别结果；

步骤4：根据人脑记忆更新模型对训练样本进行更新，具体包括以下步骤：步骤4.1：将采集到的输入样本输入瞬时记忆空间，根据最终的分类器的输出值，找到指定的输入样本，并将其送入短时记忆空间；

步骤4.2：当输送到短时记忆空间的输入样本与短时记忆空间的现有样本匹配时，产生再激励，从而得到该输入样本的记忆存储量和记忆保持系数；当记忆保持系数大于指定阈值时，该输入样本被送入长时记忆空间；当记忆保持系数小于指定阈值时，该输入样本被遗忘；

步骤4.3：当输入样本进入长时记忆空间时，计算该输入样本的光照映射图，进而得到输入样本的光照类型，并用该输入样本替换原有数据库中同一光照类型的训练样本。

2.根据权利要求1所述的一种人脸识别方法，其特征是所述指定方法为模糊均值聚类法。

3.根据权利要求1所述的一种人脸识别方法，其特征是所述记忆保持系数的计算公式为：其中：

βn为记忆保持系数；

δn为中间系数；

μ为系统系数；

tn为n次激励后的时刻；

tn-1为n-1次激励后的时刻。

4.根据权利要求1所述的一种人脸识别方法，其特征是所述记忆存储量的计算公式为：其中：

λn为记忆存储量；

κ为自然衰减系数；

tn为n次激励后的时刻；

tn-1为n-1次激励后的时刻。

5.根据权利要求3所述的一种人脸识别方法，其特征是所述δn的计算公式为：δn=1-λn

其中：

λn为记忆存储量。

说明书

一种人脸识别方法

技术领域

[0001] 本发明属于人脸识别技术领域，尤其涉及一种人脸识别方法。

背景技术

[0002] 人脸识别具有重大的理论意义和应用价值，是近年来国内外研究的热点。人脸识别的研究对于图像处理、模式识别、计算机视觉、计算机图形学等领域的发展具有重大的推动作用，同时在生物特征认证、出入管理、视频监控等各个领域也有着广泛的应用。

[0003] 虽然人们对于人脸识别的研究已经取得了丰硕的成果，但这些方法仍然受到实际应用环境的限制。这些限制一方面主要来自于人脸自身的变化，如面部表情、姿态、位置的变化和遮盖物的影响，另一方面来自于摄影环境的变化，如人脸图像摄影环境的光照、背景等大幅度的变化。因此提高系统对人脸自身及摄影环境变化等的鲁棒性、并且可以实现在海量图像数据源中高速准确地图像匹配是人脸识别领域的难点和关键。

[0004] 如果人脸识别系统具有自学习与白适应能力，就可以适应各自不同的摄影环境，因此，在线学习可以提高系统对复杂多变摄影环境的鲁棒性及白适应性。在线学习是提高系统对样本自身及环境无规则变化鲁棒性的一种有效方法。但现有结果中，针对神经网络在海量图像数据源中的自主在线学习问题还没有报道。另外，如何在线采集有效的训练样本是影响在线学习性能的重要问题，对提高分类器对环境变化的白适应性及鲁棒性起到关键性的作用，针对如何采集有效的用于在线学习的训练样本问题目前还没见报道。

发明内容

[0005] 针对上述背景技术中提到现有人脸识别系统不能在线学习、鲁棒性不强等不足，本发明提出了一种人脸识别方法。

[0006] 本发明的技术方案是，一种人脸识别方法，其特征是该方法包括以下步骤：

[0007] 步骤1：通过指定方法提取人脸特征并组成训练样本集，按人脸特征对训练样本集进行分组；

[0008] 步骤2：在步骤1的基础上建立并行神经网络；

[0009] 步骤3：对并行神经网络的输出进行综合，得到最终识别结果；

[0010] 步骤4：根据人脑记忆更新模型对训练样本进行更新。

[0011] 所述指定方法为模糊均值聚类法。

[0012] 所述步骤4包括以下步骤：

[0013] 步骤4.1：将采集到的输入样本输入瞬时记忆空间，根据最终的分类器的输出值，找到指定的输入样本，并将其送入短时记忆空间；

[0014] 步骤4.2：当输送到短时记忆空间的输入样本与短时记忆空间的现有样本匹配时，产生再激励，从而得到该输入样本的记忆存储量和记忆保持系数；当记忆保持系数大于指定阈值时，该输入样本被送入长时记忆空间；当记忆保持系数小于指定阈值时，该输入样本被遗忘；

[0015] 步骤4.3：当输入样本进入长时记忆空间时，计算该输入样本的光照映射图，进而得到输入样本的光照类型，并用该输入样本替换原有数据库中同一光照类型的训练样本。

[0016] 所述记忆保持系数的计算公式为：

[0017]

[0018] 其中：

[0019] βn为记忆保持系数；

[0020] δn为中间系数；

[0021] μ为系统系数；

[0022] tn为n次激励后的时刻；

[0023] tn-1为n-1次激励后的时刻。

[0024] 所述记忆存储量的计算公式为：

[0025]

[0026] 其中：

[0027] λn为记忆存储量；

[0028] κ为自然衰减系数。

[0029] 所述δn的计算公式为：

[0030] δn＝1-λn。

[0031] 本发明具有如下优点：

[0032] 1.基于模糊聚类和并行神经网络的模式识别方法具有卓越的非线性逼近能力和学习能力，而且并行神经网络的各神经网络单元之间的结构具有清晰的物理意义和相互否定的能力。因此，对于海量图像数据源的模式识别系统具有非常好的建模能力，而且速度快、精度高，可以解决传统的神经网络在处理海量图像数据源时识别速度慢，识别精度低等问题。

[0033] 2.模拟人脑记忆混合模型可以选择性地采集表征该摄影环境周期变化的训练样本，并且可以将训练样本更新至最新状态，保证用于在线学习的训练样本的有效性和稳定性，显著改善了系统性能。

[0034] 3.自主在线更新算法可以及时地对分类器进行更新，保证在不影响系统正常工作的前提下，使分类器逐渐适应自身及摄影环境的变化，提高了系统的白适应能力，显著提高了系统对自身及摄影环境变化的鲁棒性。

附图说明

[0035] 图1为本发明的并行神经网络模型；

[0036] 图2为模拟人脑再激励模型；

[0037] 图3为记忆三室模型；

[0038] 图4为基于人脑记忆混合模型的训练样本更新方法；

[0039] 图5为基于人脑记忆混合模型的训练样本类型增加方法；

[0040] 图6为可在线训练的并行神经网络模型。

具体实施方式

[0041] 下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

[0042] 本发明模拟人脑记忆更新机理，提出可以自主在线更新的并行神经网络模型，解决人脸识别系统处理海量数据源的图像匹配问题，并且可以提高人脸识别系统对人脸自身及摄影环境变化的白适应性及鲁棒性。

[0043] 首先，基于模糊聚类方法将近似的人脸图像分类在同一个聚类中，将海量图像数据源分类成为多个小型聚类(小型神经网络单元)，在此基础上，通过多个小型神经网络单元并联得到并行神经网络模型，对人脸样本进行训练和识别；模拟人脑记忆混合模型(如图3所示)，提出自动在线采集训练样本的方法，即通过对记忆存储量、记忆保持系数等变量的计算，在线采集表征该摄影环境各光照条件的人脸训练样本；最后，建立自主在线学习及在线更新的并行神经网络模型。在人脸识别系统运行过程中，各小型神经网络当满足一定条件时(并行神经网络分类器的输出值，通过决策系统找到与现有训练用样本类似，却与现有样本不完全相同的训练用样本时)，自主、独立地对在线获取的训练样本进行学习，从而提高系统对摄影环境变化的白适应性及鲁棒性。

[0044] 本发明的步骤如下：

[0045] 步骤1：通过指定方法提取人脸特征并组成训练样本集，按人脸特征对训练样本集进行分组；

[0046] 步骤2：在步骤1的基础上建立并行神经网络；

[0047] 步骤3：对并行神经网络的输出进行综合，得到最终的识别结果；

[0048] 步骤4：在识别过程中根据人脑记忆更新模型对训练样本进行更新。

[0049] (1)将采集到的图像送入瞬时记忆空间；

[0050] 在瞬时记忆空间中，根据并行神经网络分类器的输出值，找到与现有图像数据库中的某分类类型类似，但相似度并不高的输入样本，将其输送到短时记忆空间。

[0051] (2)当输送到短时记忆空间的输入样本与短时记忆空间现有样本匹配时，产生再激励。利用人脑再激励模型的机理计算短时记忆空间中各输入样本的记忆保持系数与记忆存储量。当短时记忆空间中某输入样本的记忆保持系数达到一定阈值时，该输入样本进入长时记忆空间；同时，当短时记忆空间中样本的记忆保持系数小于一定阈值时，该样本被遗忘。

[0052] (3)当输入样本进入长时记忆空间时，首先计算该输入样本的光照映射图，然后利用线形判别式分析法判断该输入样本的光照类型；最后利用输入样本替换原有数据库中同一光照类型的训练样本。

[0053] 如图1所示，并行神经网络建立步骤如下：

[0054] 1.提取人脸特征；

[0055] 2.利用模糊均值聚类算法将人脸特征训练样本分为多个小组，每一组可构建成一个小型的BP神经网络单元。在每个神经网络单元中，按照一般的BP神经网络的训练方法进行训练。各小型神经网络单元都由3层的BP神经网络构成，输入层有1024个神经元，隐藏层有128个神经元，输出层有8个神经元的神经网络，按照BP神经网络的训练算法进行训练。BP网络容易出现的问题是收敛于局部最小。

[0056] 为此，本发明选择变梯度算法中的最速下降BP算法，它是沿着梯度最陡下降方向修正权值，其收敛速度比传统的梯度下降法收敛速度更快，并且通过变化的方向进行搜索可以降低陷入局部极小的概率。每个小型神经网络单元中都会找到一个与输入图像最为近似的训练样本。模糊均值聚类法将所有近似的样本都归为一组，由于BP神经网络在小数据库环境下具有卓越的分类性能，所以每个神经网络单元都可以找出与输入图像最匹配的训练样本类型。为了提高系统的效率，在从各小型神经网络单元的最大输出构成的子集O(O＝[O1，O2，…On])中，删除被其它小型神经网络单元否定了的元素E(E＝[E1，E2，…Ei])，得到子集R(R＝[R1，R2，…Rk])，可表示为： 因为利用模糊均值聚类法已经将所有近似的训练样本分在同一个并行神经网络单元中，经过删除被其它小型神经网络单元否定了的元素的过程后，在子集R中的各训练样本之间是不近似的，而且子集中的训练样本数量k是很小的。可以将保留在子集中的各训练样本与输入图像进行简单的模式匹配，与输入图像相似度最高的元素被判定为并行分类器的最终结果。

[0057] 3.在识别的过程中，首先将采集到的图像送入瞬时记忆空间，根据并行神经网络得到最终的分类器的输出值，通过决策系统找到与现有训练用样本类似，却与现有样本不完全相同的训练用样本，将其输送到短时记忆空间。将在短时记忆空间中采集到的指定的训练样本的特征量In与长时记忆空间中的N个训练样本特征量 逐个地进行匹配，计算相似度Similarityk，并求出在长时记忆空间中的特征量与采集到的训练样本特征量的最大相似度Similaritymax为：

[0058] Similaritymax＝MAX{Similarityk，k＝1，2，…N}

[0059] 利用以下公式判断该训练样本是否应该被注意，当Output＝0时，该样本被忽略；当Output＝1时，系统启动如图4所示的训练样本更新模型。

[0060]

[0061] 其中：

[0062] θ1为阈值下限；

[0063] θ2为阈值上限，根据经验值得到。

[0064] 将进入短时记忆空间的训练样本特征量Inshort与短时记忆空间中的K个训练样本特征量 逐个地进行匹配，对匹配的训练样本特征量 进行再激励。

[0065] 结合人脑记忆的再激励机理，建立激励模型来计算训练样本的记忆保持系数(再激励模型如图2所示)。经历过n次激励的记忆保持系数βn与记忆存储量λn可根据下式计算：

[0066] δn＝1-λn

[0067]

[0068]

[0069] 其中：

[0070] δn为中间系数；

[0071] κ为自然衰减系数；

[0072] tn为n次激励后的时刻；

[0073] tn-1为n-1次激励后的时刻；

[0074] μ为系统系数，被设定为0.1。

[0075] 当短时记忆空间中某样本的记忆保持系数βn大于一定阈值时，该训练样本将被送入长时记忆空间，并代替长时记忆空间中现有的对应样本。而短时记忆空间中某样本的记忆保持系数βn小于一定阈值时，该样本被遗忘。

[0076] 利用以上方法可以不断更新现有训练用样本，使训练用样本可适应最新的环境变化，收集到的训练样本将用于在线训练。

[0077] 如果Output＝2，系统启动如图5所示的训练样本添加模型。此时需要增加新的小型神经网络单元，只需训练该小型神经网络单元中的训练样本，然后并联到大的并行神经网络分类器模型中。提出的在线训练模型如图6所示。

[0078] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。