一种基于不同场景下的人脸识别方法与流程

1.本发明涉及人脸识别技术领域，具体是一种基于不同场景下的人脸识别方法。


背景技术：

2.人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术，用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行识别的一系列相关技术，通常也叫做人像识别、面部识别。
3.目前市面上大多采用bp网络识别，但是待识别人脸图像受场景影响会出现光照不足、模糊，这样bp网络识别就会存在缺陷，不仅识别效率低且误识率高。因此，本领域技术人员提供了一种基于不同场景下的人脸识别方法，以解决上述背景技术中提出的问题。


技术实现要素：

4.本发明的目的在于提供一种基于不同场景下的人脸识别方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于不同场景下的人脸识别方法，包括如下步骤：
6.s1：将hopfield神经网络上加上混沌噪声项得到混沌神经网络模型，使网络具有很强的抗干扰能力，以防止光照、姿态因素对人脸识别的影响；
7.s2：构建模糊混沌神经网络结构，提取的特征向量和相应的期望信号；
8.s3：将提取出的特征向量和相应的期望信号通过神经学习算法来训练神经网络；
9.s4：将不同场景下抓拍的待识别人脸图像的特征向量输入已训练完的神经网络中，通过与人脸数据库中的人脸进行比对完成人脸识别。
10.作为本发明更进一步的方案：s1中混沌神经网络模型的动力学方程式为：xi(t)＝f(yi(t) aηi(t))
11.zi＝μzi(t)(1-zi(t))
[0012][0013]
作为本发明更进一步的方案：式中，f为陡度参数ε＝1的sigmoid函数、a为放大倍数、ηi(t)为混沌噪声、yi为神经元i的内部状态、xi为神经元i的输出、(z)为序列z的均值、σz为序列z的方差，μ为logistic映射的混沌控制参数，其映射区间为[0，1]。
[0014]
作为本发明更进一步的方案：s2中模糊混沌神经网络结构分为输出层、输入模糊化层、模糊规划层以及网络总输出，其中输出层各节点对应特征空间向量，n为维数，该层直接将输入量的各分量传到输入模糊化层，式为：
[0015]
式中表示输出层第i个输入节点，表示第i个输出节点、k表示k层；
[0016]
输入模糊化层由t个神经元组成，分成m组，每组n个神经元，t＝m*n，进而第i组第j
个神经元的输入输出关系为：
[0017]
式中表示输入样本的第j个特征属于模式ci的隶属度即概率密度；
[0018]
输入模糊化层中第i(i＝1，2，
…
，m)组神经元的输出即构成输入样本对模式ci的隶属向量，由输入层输入的n维特征向量经过输入模糊化层的处理后转化为各特征对各模式的隶属度，从而完成输入模糊化过程；
[0019]
模糊规则层每个节点表示一条模糊的规则，称为规则节点，每个节点输出为该节点所有输入信号的乘积为：
[0020][0021]
根据高斯函数进行归一化计算
[0022]
网络总输出采用中心平均实现解模糊计算，其式为：
[0023][0024]
式中为输出层权函数、ui为输入向量的隶属度函数。
[0025]
作为本发明更进一步的方案：s4中识别方法如下：将待识别人脸图像的特性向量输入到已训练完的神经网络中，设输出层神经元的输出为o1，o2，
…
oj，并设阈值t为0.6，若输出层神经元的任意输出都满足|o
k-1|≤t，那么1≤k≤j为待识别人脸数据库中的人脸，取|o
k-1|值最小的输出记为w，则该待识别人脸图像与人脸数据库中的第w类人脸匹配。
[0026]
与现有技术相比，本发明的有益效果是：本发明通过构建模糊混沌神经网络，使网络具有很强的抗干扰能力，以防止光照、姿态、模糊因素对人脸识别的影响，可针对不同场景下的人脸特征进行有效识别，不仅具有较高的人脸识别效率，还能将误识率降到最低，保证了人脸识别的精确性。
附图说明
[0027]
图1为一种基于不同场景下的人脸识别方法中模糊混沌神经网络拓扑结构示意图。
具体实施方式
[0028]
请参阅图1，本发明实施例中，一种基于不同场景下的人脸识别方法，包括如下步骤：
[0029]
s1：将hopfield神经网络上加上混沌噪声项得到混沌神经网络模型，使网络具有很强的抗干扰能力，以防止光照、姿态因素对人脸识别的影响；
[0030]
s2：构建模糊混沌神经网络结构，提取的特征向量和相应的期望信号；
[0031]
s3：将提取出的特征向量和相应的期望信号通过神经学习算法来训练神经网络；
[0032]
s4：将不同场景下抓拍的待识别人脸图像的特征向量输入已训练完的神经网络
中，通过与人脸数据库中的人脸进行比对完成人脸识别。
[0033]
进一步的，s1中混沌神经网络模型的动力学方程式为：xi(t)＝f(yi(t) aηi(t))
[0034]
zi＝μzi(t)(1-zi(t))
[0035][0036]
进一步的，式中，f为陡度参数ε＝1的sigmoid函数、a为放大倍数、ηi(t)为混沌噪声、yi为神经元i的内部状态、xi为神经元i的输出、(z)为序列z的均值、σz为序列z的方差，μ为logistic映射的混沌控制参数，其映射区间为[0，1]。
[0037]
进一步的，s2中模糊混沌神经网络结构分为输出层、输入模糊化层、模糊规划层以及网络总输出，其中输出层各节点对应特征空间向量，n为维数，该层直接将输入量的各分量传到输入模糊化层，式为：
[0038]
式中表示输出层第i个输入节点，表示第i个输出节点、k表示k层；
[0039]
输入模糊化层由t个神经元组成，分成m组，每组n个神经元，t＝m*n，进而第i组第j个神经元的输入输出关系为：
[0040]
式中表示输入样本的第j个特征属于模式ci的隶属度即概率密度；
[0041]
输入模糊化层中第i(i＝1，2，
…
，m)组神经元的输出即构成输入样本对模式ci的隶属向量，由输入层输入的n维特征向量经过输入模糊化层的处理后转化为各特征对各模式的隶属度，从而完成输入模糊化过程；
[0042]
模糊规则层每个节点表示一条模糊的规则，称为规则节点，每个节点输出为该节点所有输入信号的乘积为：
[0043][0044]
根据高斯函数进行归一化计算
[0045]
网络总输出采用中心平均实现解模糊计算，其式为：
[0046][0047]
式中为输出层权函数、ui为输入向量的隶属度函数。
[0048]
进一步的，s4中识别方法如下：将待识别人脸图像的特性向量输入到已训练完的神经网络中，设输出层神经元的输出为o1，o2，
…
oj，并设阈值t为0.6，若输出层神经元的任意输出都满足|o
k-1|≤t，那么1≤k≤j为待识别人脸数据库中的人脸，取|o
k-1|值最小的输出记为w，则该待识别人脸图像与人脸数据库中的第w类人脸匹配。
[0049]
实验例
[0050]
测试组别：实施例、参考组(bp网络)
[0051]
测试方法：选用相同的8组待识别人脸图像，分别用实施例1和参考组的方法进行
识别，记录两者的识别率、误识率以及拒识率；
[0052]
测试结果：
[0053]
项目识别率误识率拒识率实施例85％10％5％参考例97％2％1％
[0054]
结合测试结果可以明显得出本发明实施例，通过构建模糊混沌神经网络，使网络具有很强的抗干扰能力，以防止光照、姿态、模糊因素对人脸识别的影响，可针对不同场景下的人脸特征进行有效识别，不仅具有较高的人脸识别效率，还能将误识率降到最低，保证了人脸识别的精确性。
[0055]
以上所述的，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。