(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211180570.4 (22)申请日 2022.09.27 (71)申请人 江苏科技大学 地址 212003 江苏省镇江市京口区梦溪路2 号 (72)发明人 葛慧林　朱志宇　臧旭　戴跃伟　 王彪　刘润邦　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/82(2022.01)G06V 10/77(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) (54)发明名称 用于人脸识别的流形学习图像特征提取的 深度学习方法 (57)摘要 本发明公开了一种用于人脸识别的流形学 习图像特征提取的深度学习方法， 步骤如下： 通 过使用区域 建议算法生成建议框， 建议框在图片 上进行扫描得出局部图片， 并将图片传授给下一 步； 完成高维非线性的流形学习算法的构建； 通 过定义一个样本点局部邻域密度分布因子， 且嵌 入到降维算法中； 运用该算法将人脸的不同表情 特征由高维降至2维或3维， 有效地进行人脸识 别； 通过流形学习算法得到的人脸特征， 使用基 于自注意机制和投票机制的残差神经网络对图 片进行筛选， 完成最后的分类。 本发明的模型检 测速度比传统的检测算法快1 ‑2倍， 能够为用户 提供更好的使用体验； 本发明通过使用流形学习 来进行特征提取， 提高了模型 人脸识别准确率。 权利要求书1页 说明书3页 附图2页 CN 115512414 A 2022.12.23 CN 115512414 A 1.一种用于人脸识别的流形学习图像特征提取的深度学习方法， 其特征在于， 应用流 行学习对人脸图像从高维特征中降低到低 维特征， 来帮助深度学习网络特征提取， 包括以 下步骤： (1)通过使用区域建议算法生成建议框， 建议框在图片上进行扫描得出局部图片， 并将 图片传授给步骤(2)； (2)完成高维非线性的流形学习算法的构建； 通过定义一个样本点局部邻域密度分布 因子， 且嵌入到降维算法中， 从而对非均匀数据进 行有效降维； 运用该算法将人脸的不同表 情特征由高维降至2维或3维， 有效地进行 人脸识别； (3)通过流形学习算法得到的人脸特征， 使用基于自注意机制和投票机制的残差神经 网络对图片进行筛 选， 完成最后的分类。 2.根据权利要求1所述的一种用于人脸识别的流形学习图像特征提取的深度学习方 法， 其特征在于， 所述 步骤(1)具体为： (1.1)从摄 像头中进行获取到人脸图像； (1.2)使用区域建议算法获取相应的图片， 将图片使用归一化算法转化为一个特征向 量； (1.3)将特 征向量放入流形 学习的方法中， 对特 征向量进行降维， 产生低维特 征； (1.4)将图像特征输入到分类器 中得到判断结果， 并查看是否扫 描完毕， 如何还未完成 扫描就继续进行扫描， 否则算法结束。 3.根据权利要求1所述的一种用于人脸识别的流形学习图像特征提取的深度学习方 法， 其特征在于， 所述 步骤(2)具体为： 使用流形 学习来提取特征的方法是Laplacian特 征映射的方法， 其目标函数为： min∑ij|yi‑yj|2Wij 其中， yi和yj为原始数据采样集X＝{x1,x2,…xn}中的数据点xi和xj为低纬空间的对应映 射数据点。 4.根据权利要求1所述的一种用于人脸识别的流形学习图像特征提取的深度学习方 法， 其特征在于， 所述 步骤(3)具体为： (3.1)同时将两个一维向量进行 连接， 输入到全连接层中得到局部结果； (3.2)将三个结果送入投票器， 并输出最后的预测结果。 5.一种计算机存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被处理器 执行时实现如权利要求 1‑4中任一项 所述的一种用于人脸识别的流形学习图像特征提取的 深度学习方法。 6.一种计算机设备， 包括储存器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1‑4中任一项 所 述的一种用于人脸识别的流形 学习图像特 征提取的深度学习方法。权　利　要　求　书 1/1 页 2 CN 115512414 A 2用于人脸识别的流形学习 图像特征提取的深度学习方 法 技术领域 [0001]本发明涉及人脸识别的流形学习算法， 特别是一种用于人脸识别的流形学习图像 特征提取的深度学习方法。 背景技术 [0002]人脸图像识别是一个具有高度理论和应用价值的研究课题。 人脸识别是身份认证 的一种有效方法， 人脸图像具有高可靠性、 安全性、 易获取性等特点， 已成为现代身份识别 提供了一个极好的解决方案 。 [0003]由于人脸在表情和姿势有变化的时候， 往往会带来非线性变形， 所以用一般 的降 维方法不能够真正地揭示图像空间的内蕴结构， 而流形学习 方法则可以很好的做到， 体现 出它的优势。 流形 学习方法 现现在已经成为数据降维和特 征提取领域的一个 研究热点。 [0004]基于传统机器学习的人脸识别算法主要分为三个部分， 分别是生成大量建议框、 特征提取和图像分类。 [0005]首先是建议框生成， 该步骤最简单的想法就是使用滑动窗口算法在图片中生成大 量的待检测框， 然后检测该框内是否存在目标， 如果存在， 则该框在原图中的位置 即为目标 检测出的位置， 因此在该步骤中对目标的覆盖率越 大， 则建议框生成策略越好。 得到大量的 候选框后， 传统的人脸检测 算法接下来最主要的部分就是特征工程。 特征工程其实就是利 用算法工程师 的专家经验对不同场景 的人脸提取各种 特征， 例如边缘特征、 形状形态学特 征、 纹理特征等。 得到特征向量之后， 就可以通过传统的随机森林分类器对特征进行分类， 得到是否是 人脸的判断。 [0006]但现有技 术存在很多缺 点， 具体为： [0007](1)耗费时间， 通过产生大量的候选框来生成大量的候选图片， 然后对图片进行人 脸筛选。 这样的方法耗费时间长， 而且效率低下。 [0008](2)识别率低， 因为将图片直接转为特征向量的参数空间大， 模型分辨下降。 因为 不同表情的人脸差距比较大， 对人脸 不同表情的识别率 就会更低， 传统模型会更难以判断。 发明内容 [0009]发明目的： 本发明的目的是提供一种用于人脸识别的流形学习图像特征提取的深 度学习方法， 从而将人脸图片从高纬降到低纬， 提高机器学习算法的识别率。 [0010]技术方案： 本发明所述的一种用于人脸识别的流形学习图像特征提取的深度学习 方法， 包括以下步骤： [0011](1)通过使用区域建议算法生成建议框， 建议框在图片上进行扫描得出局部图片， 并将图片传授给步骤(2)； [0012](2)完成高维非线性的流形学习算法的构建； 通过定义一个样本点局部邻域密度 分布因子， 且嵌入到降维算法中， 从而对非均匀数据进 行有效降维； 运用该算法将人脸的不 同表情特 征由高维降至2维或3维， 有效地进行 人脸识别；说　明　书 1/3 页 3 CN 115512414 A 3