一种基于不同场景下的人脸识别方法与流程

技术特征：
1.一种基于不同场景下的人脸识别方法，其特征在于，包括如下步骤：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；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；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；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。2.根据权利要求1所述的一种基于不同场景下的人脸识别方法，其特征在于，s1中混沌神经网络模型的动力学方程式为：x
i
(t)＝f(y
i
(t) aη
i
(t))z
i
＝μz
i
(t)(1-z
i
(t))3.根据权利要求2所述的一种基于不同场景下的人脸识别方法，其特征在于，式中，f为陡度参数ε＝1的sigmoid函数、a为放大倍数、η
i
(t)为混沌噪声、y
i
为神经元i的内部状态、x
i
为神经元i的输出、(z)为序列z的均值、σ
z
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]。4.根据权利要求1所述的一种基于不同场景下的人脸识别方法，其特征在于，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：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；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：式中表示输入样本的第j个特征属于模式c
i
的隶属度即概率密度；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c
i
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；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：根据高斯函数进行归一化计算网络总输出采用中心平均实现解模糊计算，其式为：
式中为输出层权函数、u
i
为输入向量的隶属度函数。5.根据权利要求1所述的一种基于不同场景下的人脸识别方法，其特征在于，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，
…
o
j
，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。

技术总结
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，包括如下步骤：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；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；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；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。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。脸特征进行有效识别。脸特征进行有效识别。


技术研发人员：蔡海保 蔡霄枭 石小凤
受保护的技术使用者：深圳市中科智云科技有限公司
技术研发日：2022.02.22
技术公布日：2022/5/25