本发明涉及计算机视觉技术领域，更具体地，涉及一种低分辨率图像的人脸识别方法。
背景技术：
目前最常用的人脸识别算法是基于卷积神经网络(convolutionalneuralnetwork，cnn)的，cnn由一系列的卷积操作组成，如图1所示，cnn输入一张人脸图片，最终输出用于识别的特征向量；特征向量接近的图片则认为来自于同一个体。
卷积操作定义为：
conv(k，x)＝k*x
其中k是卷积操作的参数矩阵，尺寸为(d*d)(d根据经验设定)，x是输入，*是标准的2-d矩阵卷积。每一个卷积操作的输出，会作为下一个卷积操作的输入；第一个卷积操作的输入是原始的人脸图像。
神经网络在使用之前，需要一个过程，称为训练；神经网络有一系列卷积操作的k参数，通过随机初始化确定，然后通过反向传播算法来优化。训练需要一个损失参数，反映参数的优劣。参数优，损失小；反之亦然。
现有技术提供了一种基于pcn的低分辨率图像的人脸识别方法，该方法提出了一个4层的浅层神经网络，其以超分辨率重建为目标预训练浅层神经网络，之后调整训练目标为低分辨率图像分类识别，重新训练网络，通过利用预训练过程中获得的先验知识使得图像识别取得更高的准确率。
但是pcn方法局限于简单浅层神经网络，未对具体问题提出充分优化的网络结构，且pcn方法使用预训练需要更多的计算资源。
技术实现要素：
本发明为解决以上现有技术的缺陷，提供了一种低分辨率图像的人脸识别方法。
为实现以上发明目的，采用的技术方案是：
一种低分辨率图像的人脸识别方法，包括有以下步骤：
s1.构建残差卷积神经网络，训练样本向残差卷积神经网络输入的元组在输入至残差卷积神经网络之前，经过3个额外的卷积操作；
s2.计算残差卷积神经网络的联合损失函数l：
lf＝α1ls+α2lc
l＝α3lr+α4lf
其中n表示训练样本数，k表示训练样本中的个体数，xi表示训练样本ii的特征，ci表示ii的个体，e是自然对数，m和b表示全联接层矩阵和偏移量，mj表示矩阵m的jth列，bj表示偏移量b的jth元素，mci表示个体ci的特征中心；α1、α2、α3、α4表示手工设定的常数；f(ii；w)表示3个额外的卷积操作中，最后的一个卷积操作输出的特征；w表示网络的参数；ls表示交叉墒损失，lc表示中心损失，lr表示超分辨率重建损失；
s3.根据联合损失函数l利用反向传播算法对残差卷积神经网络的网络参数进行优化；
s4.判定计算得到的联合损失函数l是否低于所设定的阈值，若是则结束训练过程；
s5.训练好残差卷积神经网络后向残差卷积神经网络输入测试样本，得到识别结果。
优选地，所述训练样本向残差卷积神经网络输入的是元组<ii，hi，ci>，其中ii表示从高分辨率图像hi产生的低分辨率图像；
与现有技术相比，本发明的有益效果是：
(1)本发明提供的方法采用残差卷积神经网络来进行人脸识别，使用到的网络结构和损失函数更加合理，获得性能提升。
(2)本发明提供的方法不需要预训练等步骤，加速网络训练，减少计算资源消耗。
附图说明
图1为卷积网络的示意图。
图2为构建的残差卷积神经网络的示意图。
图3为构建的残差卷积神经网络的网络结构参数示意图。
图4为3个额外的卷积操作的网络结构参数示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
本发明提供的方法包括有以下步骤：
s1.构建残差卷积神经网络，构建的残差卷积神经网络的网络结构示意图如图2所示，网络结构的参数详见图3；如图4所示，训练样本向残差卷积神经网络输入的元组在输入至残差卷积神经网络之前，经过3个额外的卷积操作；
s2.计算残差卷积神经网络的联合损失函数l：
lf＝α1ls+α2lc
l＝α3lr+α4lf
其中n表示训练样本数，k表示训练样本中的个体数，xi表示训练样本ii的特征，ci表示ii的个体，e是自然对数，m和b表示全联接层矩阵和偏移量，mj表示矩阵m的jth列，bj表示偏移量b的jth元素，mci表示个体ci的特征中心；α1、α2、α3、α4表示手工设定的常数；f(ii；w)表示3个额外的卷积操作中，最后的一个卷积操作输出的特征；w表示网络的参数；ls表示交叉墒损失，lc表示中心损失，lr表示超分辨率重建损失；
s3.根据联合损失函数l利用反向传播算法对残差卷积神经网络的网络参数进行优化；
s4.判定计算得到的联合损失函数l是否低于所设定的阈值，若是则结束训练过程；
s5.训练好残差卷积神经网络后向残差卷积神经网络输入测试样本，得到识别结果。
常规的人脸识别算法在图像分辨率较低的时候性能不佳，为了解决这个技术问题，本实施例对训练过程进行了改进：
(1)所述训练样本向残差卷积神经网络输入的是元组<ii，hi，ci>，其中ii表示从高分辨率图像hi产生的低分辨率图像；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。