(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 202210253355.6 (22)申请日 2022.03.15 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 殷光强　李超　 米尔卡米力江 ·亚森　郑雨晴　 刘亮　 (74)专利代理 机构 成都天嘉专利事务所(普通 合伙) 5121 1 专利代理师 彭红艳 (51)Int.Cl. G06V 40/16(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种距离自适应热红外人脸识别方法 (57)摘要 本发明涉及图像识别技术领域， 特别是涉及 一种距离自适应热红外人脸识别方法， 包括构建 并训练改进型热红外图像超分辨增强网络 Retinex‑CNN， 并利用该训练完成的改进型热红 外图像超分辨增强 网络Retinex ‑CNN对热红外图 像进行处理； 基于近红外获取的先验信息， 利用 不同的特征算法， 分别对近红外和处理后的热红 外图像进行局部特征提取， 对提取的不同特征进 行全特征融合， 对融合后的特征进行降维处理， 再对降维后的特征进行分类识别。 通过本识别方 法， 能有效解决在距离变化时， 热红外成像受距 离影响大导 致人脸识别困难的问题。 权利要求书2页 说明书7页 附图2页 CN 114821703 A 2022.07.29 CN 114821703 A 1.一种距离自适应热红外人脸识别方法， 其特 征在于： 包括以下步骤： S1.构建并训练改进型热红外图像超分辨增强网络Retinex ‑CNN， 并利用该训练完成 的 改进型热红外图像超分辨增强网络Retinex ‑CNN对热红外图像进行处理； 其中， 所述改进型 热红外图像超分辨增强网络Retinex ‑CNN包括分解网络Decompose ‑Net以及反射分量的去 噪增强网络Enhance ‑Net； 所述分解网络Decompose ‑Net包括对低照度图像 反射分量和光照 分量的分解； S2.基于近红外获取的先验信息， 利用不同的特征算法， 分别对近红外和处理后的热红 外图像进行局部特征提取， 对提取 的不同特征进行全特征融合， 对融合后的特征进行降维 处理， 再对降维后的特 征进行分类识别。 2.根据权利要求1所述的一种距离自适应热红外人脸识别方法， 其特征在于： 所述步骤 S1中构建并训练改进型热红外图像超分辨增强网络Retinex ‑CNN具体包括： 构建并训练分 解网络Decompose ‑Net以及构建反射分量的去噪增强网络 Enhance‑Net。 3.根据权利要求2所述的一种距离自适应热红外人脸识别方法， 其特征在于： 所述构建 并训练分解网络Decompose ‑Net具体包括以下步骤： S11.构建一个孪生的深度为5的分解网络Decompose ‑Net， 所述分解网络Decompose ‑Net 由多个卷积层和激活层构成； S12.分别将正常光照的人脸图像Snormal和低照度的人脸图像Slow输入该分解网络 Decompose‑Net， 在Retinex理论的指导下进行分解， 得到相应的反射 分量Rnormal、 Rlow以及相 应的照度分量 Inormal、 Ilow； S13.利用步骤S12中相应的反射 分量和照度分量， 分别计算 分解网络Deco mpose‑Net的训 练阶段的损失函数， 即计算训练阶段的损失函数的三个Loss分量， 即重建图像的损失分量 Lrecon、 反射率一致性分量Lir和照度平 滑损失分量 Lis； S14.利用预设的权重参数和训练阶段的损失函数的三个Loss分量， 得到分解网络 Decompose ‑Net的损失函数， 利用该损失函数进行训练， 得到训练好的分解网络Decompose ‑ Net。 4.根据权利要求3所述的一种距离自适应热红外人脸识别方法， 其特征在于： 所述步骤 S13中， 所述重建图像的损失分量 Lrecon的计算方法为： Lrecon＝∑i＝low,normal∑j＝low,normalλij||Ri·Ij‑Sj||1， 所述反射 率一致性分量Lir的计算方法为： Lir＝||Rlow‑Rnormal||1； 所述照度平 滑损失分量 Lis的计算方法为： 其中， 表示对照度分量 求梯度， 表示对反射分量 求梯度值， λg为预设的权 重参数。 5.根据权利要求4所述的一种距离自适应热红外人脸识别方法， 其特征在于： 所述步骤 S14中分解网络Decompose ‑Net的损失函数为带权 重的三个L oss分量之和， 具体为： L＝ λijLrecon+λirLir+λisLis， 其中， λij为重建图像的损失分量Lrecon所对应的权重， λir为反射率一致性分量Lir所对应 的权重， λis为照度平 滑损失分量 Lis所对应的权 重。权　利　要　求　书 1/2 页 2 CN 114821703 A 26.根据权利要求2所述的一种距离自适应热红外人脸识别方法， 其特征在于： 所述步骤 S1中的构建反射分量的去噪增强网络Enhance ‑Net具体指： 构建由BM3D去 噪增强和分数阶 微分增强组成的对低照度反射分量的去噪增强网络 Enhance‑Net。 7.根据权利要求1所述的一种距离自适应热红外人脸识别方法， 其特征在于： 所述步骤 S1中利用该训练完成的改进型热红外图像超分辨增强网络Retinex ‑CNN对热红外图像进行 处理具体指： 将热红外图像输入训练完成的分解网络Decompose ‑Net， 分解得到低照度反射 分量Rlow， 并将该低照度反射分量Rlow输入反射分量的去噪增强网络Enhance ‑Net， 生成最终 的反射分量Rfinal， 得到处理后的热红外图像。 8.根据权利要求1所述的一种距离自适应热红外人脸识别方法， 其特征在于： 所述步骤 S2中具体包括以下步骤： S21.选取SIFT、 LBP和HOG三种特征算法， 分别对近红外和处理后的热红外图像进行局部 特征提取； S22.采用带权值 的连续性特征组合算法， 分别将从近红外和处理后的热红外图像提取 到的两个或者多个好特 征进行特征融合， 生成一个新特 征； S23.利用多视图平 滑判别分析子空间法， 寻找各个视图向公共子空间中的投影矩阵； S24.将近红外和热红外图像融合后的新特 征同时投影到 子空间中， 进行降维处 理； S25.利用NN分类器进行分类识别； S26.进行人脸识别。 9.根据权利要求8所述的一种距离自适应热红外人脸识别方法， 其特征在于： 所述步骤 S22中的好特 征具体指： 与其 他特征独立的、 有信息的特 征。权　利　要　求　书 2/2 页 3 CN 114821703 A 3