本發(fā)明涉及人工智能領(lǐng)域，尤其是涉及一種復雜環(huán)境下基于t分布的人臉快速識別方法。
背景技術(shù)：
人臉識別作為智能識別領(lǐng)域中的應用，根據(jù)人臉特有的生物特征信息，結(jié)合圖形圖像處理技術(shù)和模式識別技術(shù)來對人的身份進行識別鑒定，安全性及可靠性較高因此擁有強烈的市場需求，近幾年來在門禁與考勤、網(wǎng)絡(luò)安全、海關(guān)邊檢、物業(yè)管理、智能身份識別、駕照證檢驗、計算機系統(tǒng)登錄等方面已有相應發(fā)展。
為了實現(xiàn)識別算法的最優(yōu)性能，近年來的研究已經(jīng)清楚地認識到，人臉識別領(lǐng)域仍存在著一些重要挑戰(zhàn)，相比較已經(jīng)取得可靠結(jié)果的人臉檢測、特征點定位等，人臉識別屬于較復雜的人臉分析實驗，不應該仍在過于簡單的數(shù)據(jù)集上進行實驗。應該考慮復雜情況并保證多樣性干擾，各復雜因素所占比例均等的情況，同時要能解決簡單數(shù)據(jù)集中也可能存在的問題。鑒于目前的挑戰(zhàn)，以及深度學習過程中對數(shù)據(jù)的大量需求，主要困難就是缺乏在未約束環(huán)境下的數(shù)據(jù)集。因此在人臉識別方法的長遠發(fā)展中，應該考慮影響因素混雜的復雜環(huán)境下，尤其是同時在數(shù)據(jù)集有限的條件下，如何提高識別性能才是當前發(fā)展的難點。
縱觀深度學習的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化而來的算法，目前主要流行的發(fā)展方向是基于四個方面：增加網(wǎng)絡(luò)的深度、寬度；增大數(shù)據(jù)量；隱藏層聯(lián)立；添加其他信號，要利用神經(jīng)網(wǎng)絡(luò)發(fā)揮其作用，應該針對適用背景選擇具體方面進行改進和優(yōu)化。在網(wǎng)絡(luò)結(jié)構(gòu)趨向復雜的同時，必然對計算復雜度和時間復雜度產(chǎn)生影響，因此還存在著效率和性能難以兩全的難題。
技術(shù)實現(xiàn)要素：
本發(fā)明的目的是針對上述問題提供一種復雜環(huán)境下基于t分布的人臉快速識別方法。
本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：
一種復雜環(huán)境下基于t分布的人臉快速識別方法，所述方法包括樣本訓練步驟和人臉識別步驟，所述樣本訓練步驟具體為：
a1)通過卷積神經(jīng)網(wǎng)絡(luò)，對訓練樣本進行特征提取，得到特征樣本(x1,x2,…,xn)；
a2)通過t分布非線性投影，將特征樣本投影至低維空間，得到低維空間的訓練樣本(y1,y2,…,yn)和降維路徑參數(shù)；
所述人臉識別步驟具體為：
b1)通過卷積神經(jīng)網(wǎng)絡(luò)，對待識別圖片進行特征提取，得到待識別圖片的特征樣本r；
b2)根據(jù)步驟a2)的降維路徑參數(shù)，將步驟b1)提取的待識別圖片的特征樣本r投影至低維空間，得到低維空間的測試樣本s；
b3)通過分類器將步驟a2)得到的低維空間的訓練樣本(y1,y2,…,yn)和步驟b2)得到的測試樣本s進行分類識別，得到識別結(jié)果。
所述步驟a1)具體為：
a11)對訓練樣本進行預處理，得到預設(shè)大小的輸入圖像；
a12)將步驟a11)得到的輸入圖像通過卷積層，得到具備局部信息表達的特征樣本；
a13)對步驟a12)得到的具備局部信息表達的特征樣本通過聯(lián)立層，得到特征樣本(x1,x2,…,xn)。
所述步驟a13)具體為：
a131)對步驟a12)得到的具備局部信息表達的特征樣本進行聯(lián)立卷積，得到基于全局的特征樣本；
a132)對步驟a131)得到的基于全局的特征樣本通過relu進行線性修正，得到修正后的特征樣本；
a133)對步驟a132)得到的修正后的特征樣本通過dropout進行輸出的稀疏化處理，得到特征樣本(x1,x2,…,xn)。
所述步驟a1)還包括：對得到的特征樣本進行pca降維，得到初始維度下的特征樣本。
所述步驟a2)具體為：
a21)記錄初始循環(huán)次數(shù)為0，隨機初始化低維空間中的對應點集(y1,y2,…,yn)，根據(jù)高斯分布計算特征樣本中的點xi間的相似度矩陣p；
a22)根據(jù)步驟a21)得到的相似度矩陣p，結(jié)合t分布計算得到權(quán)重gains(iter)和相似度總值nums，并計算增量incs，根據(jù)增量更新低維空間中對應點yi的值，并對循環(huán)次數(shù)加1；
a23)判斷循環(huán)次數(shù)是否達到預設(shè)次數(shù)，若是則結(jié)束循環(huán)，得到低維空間的訓練樣本(y1,y2,…,yn)、權(quán)重gains(iter)和相似度總值nums，若否則返回步驟a22)。
所述步驟a22)具體為：根據(jù)t分布計算低維空間中的對應點yi間的相似度矩陣q，根據(jù)定義的代價函數(shù)在相似度矩陣p、q間的kl距離建立懲罰機制，求yi求偏導得到對應的梯度，根據(jù)梯度的最優(yōu)解在點yn更新權(quán)重gains(iter)，根據(jù)相似度矩陣q中所有相似度之和更新相似度總值nums，計算增量incs，根據(jù)增量incs更新低維空間中對應點yi的值，并對循環(huán)次數(shù)加1。
所述定義的代價函數(shù)具體為：
其中，pij為點xi和點xj之間的相似度，qij為點yi和點yj之間的相似度，p為高維空間原點間的相似度矩陣，q為低維空間映射點間的相似度矩陣。
所述根據(jù)增量incs更新低維空間中的對應點yi的值具體為：
yi＝y(tǒng)i+incs。
所述步驟b2)具體為：
b21)記錄初始循環(huán)次數(shù)為0，隨機初始化低維空間中的對應點s，根據(jù)高斯分布計算待測特征樣本r與訓練樣本原點xi間的相似度矩陣r；
b22)根據(jù)t分布計算待測特征樣本s與訓練樣本映射點yi間的相似度矩陣s，根據(jù)步驟a22)中記錄的權(quán)重gains(iter)和相似度總值nums，更新增量incs'，根據(jù)增量incs'更新低維空間中的對應點si的值，并對循環(huán)次數(shù)加1；
b23)判斷循環(huán)次數(shù)是否達到預設(shè)次數(shù)，若是則結(jié)束循環(huán)，得到低維空間的測試樣本(s1,s2,…,sn)，若否則返回步驟b22)。
所述t分布計算的自由度為9。
與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
(1)通過將非線性降維方法融入到卷積神經(jīng)網(wǎng)絡(luò)中，對高維深度特征進行降維，從而實現(xiàn)降維后的特征樣本的簡化，降低計算量的同時也可以加速后續(xù)分類識別的效率。
(2)t分布具有聚類特性，可以與卷積神經(jīng)網(wǎng)絡(luò)的聯(lián)立層連接，學習深度特征子空間中仍存在的線性不可分結(jié)構(gòu)，并將局部線性不可分結(jié)構(gòu)通過流行學習的方法映射至線性可分的低維子空間中，實現(xiàn)更優(yōu)于高維空間的聚類效果，在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上優(yōu)化了人臉識別的性能，提高識別精度，從而提供更具可識別特性的人臉特征信息。
(3)人臉識別步驟中按照樣本訓練步驟中得到的路徑進行降維，與訓練樣本的降維過程一致，實現(xiàn)了僅針對待測樣本的局部映射迭代，降低了時間復雜度，從而提高了整個待測圖片的識別過程中的靈活性和快速性。
(4)在利用t分布對訓練樣本和待識別圖片進行降維之前，首先通過pca降維至訓練特征樣本數(shù)，在對數(shù)據(jù)規(guī)范化的基礎(chǔ)上降低了后續(xù)降維的計算復雜程度，保證了后續(xù)迭代過程的速度。
(5)利用t分布非線性投影將高維空間的特征映射至低維空間上，同時不斷進行迭代更新映射結(jié)果，增強了映射的準確程度，從而增強了識別精度。
(6)根據(jù)實驗表明，采取自由度為9的t分布計算實現(xiàn)降維，實現(xiàn)的降維效果最優(yōu)，繼而對應的識別效果也為最優(yōu)。
附圖說明
圖1為本發(fā)明的方法流程圖。
具體實施方式
下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術(shù)方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。
復雜環(huán)境下基于t分布的人臉快速識別方法的流程圖如圖1所示。該方法包括樣本訓練步驟和人臉識別步驟，樣本訓練步驟具體為：
a1)通過卷積神經(jīng)網(wǎng)絡(luò)，對訓練樣本進行特征提取，得到特征樣本(x1,x2,…,xn)：
a11)對訓練樣本進行預處理，得到預設(shè)大小的輸入圖像；
a12)將步驟a11)得到的輸入圖像通過卷積層，得到具備局部信息表達的特征樣本；
a13)對步驟a12)得到的具備局部信息表達的特征樣本通過聯(lián)立層，得到特征樣本(x1,x2,…,xn)：
a131)對步驟a12)得到的具備局部信息表達的特征樣本進行聯(lián)立卷積，得到基于全局的特征樣本；
a132)對步驟a131)得到的基于全局的特征樣本通過relu進行線性修正，得到修正后的特征樣本；
a133)對步驟a132)得到的修正后的特征樣本通過dropout進行輸出的稀疏化處理，得到特征樣本(x1,x2,…,xn)；
上述步驟完成后，還可以對得到的特征樣本進行pca降維，得到初始維度下的特征樣本；
a2)通過t分布非線性投影，將特征樣本投影至低維空間，得到低維空間的訓練樣本(y1,y2,…,yn)和降維路徑：
a21)記錄初始循環(huán)次數(shù)為0，隨機初始化低維空間中的對應點集yi，根據(jù)高斯分布計算原點xi間的相似度矩陣p；
a22)根據(jù)自由度為9的t分布計算低維空間中映射點yi間的相似度q，根據(jù)定義的代價函數(shù)更新權(quán)重gains(iter)和樣本總值nums，計算增量incs，根據(jù)增量incs更新低維空間中的對應點yi的值，并對循環(huán)次數(shù)加1；
a23)判斷循環(huán)次數(shù)是否達到預設(shè)次數(shù)，若是則結(jié)束循環(huán)，得到低維空間的訓練樣本(x1,x2,…,xn)、權(quán)重gains(iter)和樣本總值nums，若否則返回步驟a22)；
其中，定義的代價函數(shù)具體為：
其中，pij為點xi和點xj之間的相似度，qij為點yi和點yj之間的相似度，p高維空間原點間的相似度矩陣，q為低維空間映射點間的相似度矩陣；
根據(jù)增量incs更新低維空間中的對應點yi的值具體為：
yi＝y(tǒng)i+incs
人臉識別步驟具體為：
b1)通過卷積神經(jīng)網(wǎng)絡(luò)，對待識別圖片進行特征提取，得到待識別圖片的特征樣本r；步驟b1)還包括：對提取的待識別圖片的特征進行pca降維，得到初始維度下的待識別圖片的特征；
b2)根據(jù)步驟a2)的降維路徑，將步驟b1)提取的待識別圖片的特征樣本r投影至低維空間，得到低維空間的測試樣本s：
b21)記錄初始循環(huán)次數(shù)為0，隨機初始化低維空間的映射點s，根據(jù)高斯分布計算待測特征樣本r與訓練樣本原點xi間的相似度矩陣r；
b22)根據(jù)自由度為9的t分布計算待測特征樣本s與訓練樣本映射點yi間的相似度矩陣s，根據(jù)步驟a22)中記錄的權(quán)重gains(iter)和樣本總值nums，更新增量incs'，根據(jù)增量incs'更新低維空間中的對應點s的值，并對循環(huán)次數(shù)加1；
b23)判斷循環(huán)次數(shù)是否達到預設(shè)次數(shù)，若是則結(jié)束循環(huán)，得到低維空間的測試樣本s，若否則返回步驟b22)；
b3)通過分類器將步驟a2)得到的訓練樣本和步驟b2)得到的測試樣本通過softmax進行分類識別，得到識別結(jié)果。
上述步驟中，一般僅需要經(jīng)歷一次樣本訓練步驟，之后即可根據(jù)訓練的結(jié)果來進行多次的人臉識別步驟。
根據(jù)上述步驟進行具體的人臉識別，過程如下：
s1)輸入n張人臉圖像，已處理為256×256的彩色圖像規(guī)格，若為訓練集則按類別屬性整理至不同子文件內(nèi)，若為測試集則無需整理，然后執(zhí)行步驟s2)。
s2)人臉圖像經(jīng)過5個卷積層的處理，包括了前兩個(s1，relu，s2，relu，c)順序的卷積層，以及后三個(s1，relu，s2，relu，s3，relu，c)順序的卷積層。其中在卷積s層：f(x)＝fl((…f2(f1(i；w1)；w2)…)；wl)過程中，通過濾波器fi將輸入ii與權(quán)重向量wi結(jié)合，得到在隱藏層中學習到的圖像特征信息ii+1并作為下一層的輸入。同時利用relu激勵函數(shù)max(0,x)，隨機將部分隱藏層置于非激活狀態(tài)，減少權(quán)值參數(shù)間相互作用緩解過擬合情況的發(fā)生。而池化c層則選擇最大池化方式max{f(x'):i≤i'＜i+p,j≤j'＜j+p}，以步長為p將池化區(qū)域內(nèi)的最大值作為輸出，提高特征信息的泛化能力。
s3)將所提取的特征進行聯(lián)立卷積，得到基于全局的特征信息，結(jié)合relu激勵函數(shù)處理后，利用dropout技術(shù)的稀疏特性進行再處理，得到高維空間的特征樣本
s4)，將高維空間的特征樣本用pca降維至初始維度e＝30：
s5)針對不同數(shù)據(jù)集選擇模式，若選擇路徑記錄模式，執(zhí)行步驟s6)；若選擇路徑跟蹤模式，執(zhí)行步驟s7)；
在步驟s6)中，選擇路徑記錄模式，根據(jù)歐式距離及復雜度為e的高斯分布構(gòu)建pi間相似矩陣p，初始化xi的映射點yi并進入iter＝1000的迭代過程，根據(jù)自由度為9的t分布構(gòu)建相似矩陣q，利用相似矩陣p、q之間的kl距離定義代價函數(shù)：
s7)選擇路徑跟蹤模式，將測試樣本r與訓練樣本(x1,x2,…,xn)聯(lián)立，并根據(jù)歐式距離及復雜度為e的高斯分布構(gòu)建相似向量r，初始化r的映射點s并進入iter＝1000的局部迭代過程，根據(jù)自由度v＝9的t分布構(gòu)建s與
s8)將訓練樣本和測試樣本