CN103955681A - 一种人脸识别方法及系统 - Google Patents
一种人脸识别方法及系统 Download PDFInfo
- Publication number
- CN103955681A CN103955681A CN201410219735.3A CN201410219735A CN103955681A CN 103955681 A CN103955681 A CN 103955681A CN 201410219735 A CN201410219735 A CN 201410219735A CN 103955681 A CN103955681 A CN 103955681A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- template image
- facial image
- identified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人脸识别方法及系统,所述方法包括:获取输入的人脸图像;使用滤波模块对所述人脸图像进行滤波,得到待识别人脸图像;利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,所述模板图像为使用所述滤波模块对原始模板图像进行滤波后得到的图像;确定所述匹配模板图像的类别为所述人脸图像的类别。由于未对输入的人脸图像进行降维操作,也无需对图像数据库中的模板图像进行降维操作,直接进行滤波的特征变换,因此缩减了识别过程,从而提高了对人脸图像进行识别的效率。
Description
技术领域
本申请涉及人脸识别领域,特别涉及一种人脸识别方法及系统。
背景技术
人脸识别技术在公共安全、信息安全、金融等领域具有很好的应用前景,因而人脸被认为是在图像识别领域中最有研究价值的物体。人脸识别中的技术问题也涵盖了模式识别研究中所遇到的问题。由于人脸识别问题是典型的小样本高维模式样本,学习方式不恰当的话,维数灾难的问题是不可避免,从而产生过拟合问题。识别高维数据的一个核心问题是分类器的选择;另一个核心问题是关于特征选择或者特征变换。
在人脸识别中,已经提出了如下特征变换技术,包括:特征脸、Fisher脸、Laplace(拉普拉斯)脸等。使用上述特征变换技术得到的特征,再经过最近邻分类模块处理就可以实现分类。但是上述特征变换技术中特征脸、Fisher脸和Laplace脸在样本的维数较大时,对计算机的内存要求很高,若是普通的台式机,则会产生内存溢出的问题,因此需要配合采样方法,在使用上述特征变换方法之前,对人脸图像进行降维。
可见,在使用上述特征变换技术中特征脸、Fisher脸和Laplace脸之前,需要对人脸图像进行降维,识别过程繁琐,降低了对人脸图像进行识别的效率。
发明内容
为解决上述技术问题,本申请实施例提供一种人脸识别方法及系统,以达到提高对人脸图像进行识别的效率的目的,技术方案如下:
一种人脸识别方法,包括:
获取输入的人脸图像;
使用滤波模块对所述人脸图像进行滤波,得到待识别人脸图像;
利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,所述模板图像为使用所述滤波模块对原始模板图像进行滤波后得到的图像;
确定所述匹配模板图像的类别为所述人脸图像的类别。
优选的,所述使用滤波模块对所述人脸图像进行滤波,得到待识别人脸图像的过程,包括:
使用公式I′=I-I*S对所述人脸图像进行滤波,得到待识别人脸图像;
其中,所述I为所述人脸图像,所述S为所述滤波模块,所述I′为所述待识别人脸图像,所述*为卷积符号。
优选的,所述利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像的过程,包括:
利用公式查找与所述待识别人脸图像距离最近的模板图像;
确定与所述待识别人脸图像距离最近的模板图像为匹配模板图像;
其中,所述k表示第k个模板图像,与所述待识别人脸图像距离最近,所述k=1,2,…,l,所述l为图像数据库中模板图像的个数,所述I′i为图像数据库中第i个模板图像,所述min为计算目标函数最小值的函数,所述argmin为带参数的最小化函数,所述i=1,...,l为所述参数,||||F为矩阵的Frobenius范数。
优选的,所述模板图像的生成过程,包括:
使用公式I′i=Ii-Ii*S对所述图像数据库中的原始模板图像进行滤波,得到模板图像;
其中,所述i={1,2,...,l},所述Ii为第i个原始模板图像。
优选的,所述滤波模块的生成过程,包括:
确定滤波模块大小为2N+1,并定义大小为(2N+1)×(2N+1)的矩形窗口,所述矩形窗口为[-N,-N+1,…,N]×[-N,-N+1,…,N],所述N为正整数,所述矩形窗口中的点表示为所述ri和ci为所述矩形窗口中的坐标点,所述ri,ci∈{-N,…,N};
根据公式Q=A(I-eB),计算第一矩阵,其中所述第一矩阵由Q表示,所述e是全1向量,I是单位矩阵,A=Ω-1和所述Ω为高斯矩阵,所述通过Ωij=exp{-((ri-rj)2+(ci-cj)2)/2σ2}得到,所述Ω-1为高斯矩阵的逆矩阵,所述eT中的T为向量的转置,所述rj为所述矩形窗口中不同于所述ri的坐标点,所述cj为所述矩形窗口中不同于所述ci的坐标点,所述σ∈R是滤波模块的尺度因子;
获取所述第一矩阵的第行向量,并将该行向量重新排列为一个(2N+1)×(2N+1)的矩阵,得到第二矩阵,所述第二矩阵由S表示,所述第二矩阵为所述滤波模块。
一种人脸识别系统,包括:
获取模块,用于获取输入的人脸图像;
滤波模块,用于对所述人脸图像进行滤波,得到待识别人脸图像;
最近邻分类模块,用于在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,所述模板图像为使用所述滤波模块对原始模板图像进行滤波后得到的图像;
第一确定模块,用于确定所述匹配模板图像的类别为所述人脸图像的类别。
优选的,所述滤波模块包括:
第一滤波单元,用于使用公式I′=I-I*S对所述人脸图像进行滤波,得到待识别人脸图像;
其中,所述I为所述人脸图像,所述S为所述滤波模块,所述I′为所述待识别人脸图像,所述*为卷积符号。
优选的,所述最近邻分类模块包括:
查找单元,用于利用公式查找与所述待识别人脸图像距离最近的模板图像,其中,所述k表示第k个模板图像,与所述待识别人脸图像距离最近,所述k=1,2,…,l,所述l为图像数据库中模板图像的个数,所述I′i为图像数据库中第i个模板图像,所述min为计算目标函数最小值的函数,所述arg min为带参数的最小化函数,所述i=1,...,l为所述参数,||||F为矩阵的Frobenius范数;
确定单元,用于确定与所述待识别人脸图像距离最近的模板图像为匹配模板图像。
优选的,所述滤波模块还包括:
第二滤波单元,用于使用公式I′i=Ii-Ii*S对所述图像数据库中的原始模板图像进行滤波,得到模板图像;
其中,所述i={1,2,...,l},所述Ii为第i个原始模板图像。
优选的,还包括:
第二确定模块,用于确定滤波模块大小为2N+1,并定义大小为(2N+1)×(2N+1)的矩形窗口,所述矩形窗口为[-N,-N+1,…,N]×[-N,-N+1,…,N],所述N为正整数,所述矩形窗口中的点表示为所述ri和ci为所述矩形窗口中的坐标点,所述ri,ci∈{-N,…,N};
计算模块,用于根据公式Q=A(I-eB),计算第一矩阵,其中所述第一矩阵由Q表示,所述e是全1向量,I是单位矩阵,A=Ω-1和所述Ω为高斯矩阵,所述通过Ωij=exp{-((ri-rj)2+(ci-cj)2)/2σ2}得到,所述Ω-1为高斯矩阵的逆矩阵,所述eT中的T为向量的转置,所述rj为所述矩形窗口中不同于所述ri的坐标点,所述cj为所述矩形窗口中不同于所述ci的坐标点,所述σ∈R是滤波模块的尺度因子;
生成模块,用于获取所述第一矩阵的第行向量,并将该行向量重新排列为一个(2N+1)×(2N+1)的矩阵,得到第二矩阵,所述第二矩阵由S表示,所述第二矩阵为所述滤波模块。
与现有技术相比,本申请的有益效果为:
在本申请中,使用滤波模块对输入的人脸图像进行滤波,完成特征变换,得到待识别人脸图像,然后利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,确定所述匹配模板图像的类别为所述人脸图像的类别。
由于未对输入的人脸图像进行降维操作,也无需对图像数据库中的模板图像进行降维操作,直接进行滤波的特征变换,因此缩减了识别过程,从而提高了对人脸图像进行识别的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的人脸识别方法的一种流程图;
图2是本申请提供的人脸识别方法的一种子流程图;
图3是本申请提供的人脸识别系统的一种结构示意图;
图4是本申请提供的最近邻分类模块的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种人脸识别方法,本申请提供的人脸识别方法基于预先生成的滤波模块,其中滤波模块的生成过程具体为:
步骤A11:确定滤波模块大小为2N+1,并定义大小为(2N+1)×(2N+1)的矩形窗口,所述矩形窗口为[-N,-N+1,…,N]×[-N,-N+1,…,N],所述N为正整数,所述矩形窗口中的点表示为所述ri和ci为所述矩形窗口中的坐标点,所述ri,ci∈{-N,…,N}。
其中,一般将N设置为3或5。
步骤A12:根据公式Q=A(I-eB),计算第一矩阵,其中所述第一矩阵由Q表示,所述e是全1向量,I是单位矩阵,A=Ω-1和所述Ω为高斯矩阵,所述通过Ωij=exp{-((ri-rj)2+(ci-cj)2)/2σ2}得到,所述Ω-1为高斯矩阵的逆矩阵,所述eT中的T为向量的转置,所述rj为所述矩形窗口中不同于所述ri的坐标点,所述cj为所述矩形窗口中不同于所述ci的坐标点,所述σ∈R是滤波模块的尺度因子。
其中,Ωij=exp{-((ri-rj)2+(ci-cj)2)/2σ2}为高斯函数,在申请中,σ=0.1。
步骤A13:获取所述第一矩阵的第行向量,并将该行向量重新排列为一个(2N+1)×(2N+1)的矩阵,得到第二矩阵,所述第二矩阵由S表示,所述第二矩阵为所述滤波模块。
步骤A11至步骤A13执行完毕,滤波模块生成。下述实施例中所使用的滤波模块即为由S表示的第二矩阵。
实施例一
请参见图1,其示出了本申请提供的人脸识别方法的一种流程图,可以包括以下步骤:
步骤S11:获取输入的人脸图像。
在本实施例中,输入的人脸图像是需要进行识别的人脸图像。
步骤S12:使用滤波模块对所述人脸图像进行滤波,得到待识别人脸图像。
在本实施例中,使用上述滤波模块对步骤S11获取到的人脸图像进行滤波,得到具有新的人脸特征的待识别人脸图像。
在本实施例中,使用滤波模块对所述人脸图像进行滤波,得到待识别人脸图像的过程具体为:
使用公式I′=I-I*S对所述人脸图像进行滤波,得到待识别人脸图像;
其中,所述I为所述人脸图像,所述S为所述滤波模块,所述I′为所述待识别人脸图像,所述*为卷积符号。
步骤S13:利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,所述模板图像为使用所述滤波模块对原始模板图像进行滤波后得到的图像。
在本实施例中,利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,即利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像最相似的模板图像。
其中,图像数据库中的模板图像为使用所述滤波模块对原始模板图像进行滤波后得到的图像。图像数据库中包含多幅模板图像,每幅模板图像各不相同,且每幅模板图像具有各自的类别。
步骤S14:确定所述匹配模板图像的类别为所述人脸图像的类别。
在本申请中,使用滤波模块对输入的人脸图像进行滤波,完成特征变换,得到待识别人脸图像,然后利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,确定所述匹配模板图像的类别为所述人脸图像的类别。
由于未对输入的人脸图像进行降维操作,也无需对图像数据库中的模板图像进行降维操作,直接进行滤波的特征变换,因此缩减了识别过程,从而提高了对人脸图像进行识别的效率。
进一步的,本申请能够提取人脸的主要轮廓,抑制光照变化对人脸的影响;而且对较高维数的人脸图像仍然能够处理。
在本实施例中,利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像的具体过程请参见图2,其示出了本申请提供的人脸识别方法的一种子流程图,可以包括以下步骤:
步骤S21:利用公式查找与所述待识别人脸图像距离最近的模板图像。
所述k表示第k个模板图像,与所述待识别人脸图像距离最近,所述k=1,2,…,l,所述l为图像数据库中模板图像的个数,所述I′i为图像数据库中第i个模板图像,所述min为计算目标函数最小值的函数,所述arg min为带参数的最小化函数,所述i=1,...,l为所述参数,||||F为矩阵的Frobenius范数。
步骤S22:确定与所述待识别人脸图像距离最近的模板图像为匹配模板图像。
在本实施例中,由于图像数据库中包含多幅模板图像,每幅模板图像的生成过程相同,因此对任意一幅模板图像的生成过程进行说明。
所述模板图像的生成过程具体为:
使用公式I′i=Ii-Ii*S对所述图像数据库中的原始模板图像进行滤波,得到模板图像;
其中,所述i={1,2,...,l},所述Ii为第i个原始模板图像,所述l为图像数据库中模板图像的个数,所述I′i为图像数据库中第i个模板图像,所述S为所述滤波模块,所述*为卷积符号。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
实施例二
在本实施例中,示出了本申请提供的一种人脸识别系统,请参见图3,图3示出了本申请提供的人脸识别系统的一种结构示意图,人脸识别系统包括:获取模块31、滤波模块32、最近邻分类模块33和第一确定模块34。
获取模块31,用于获取输入的人脸图像。
滤波模块32,用于对所述人脸图像进行滤波,得到待识别人脸图像。
在本实施例中,滤波模块32包括:第一滤波单元,用于使用公式I′=I-I*S对所述人脸图像进行滤波,得到待识别人脸图像;
其中,所述I为所述人脸图像,所述S为所述滤波模块,所述I′为所述待识别人脸图像,所述*为卷积符号。
最近邻分类模块33,用于在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,所述模板图像为使用所述滤波模块对原始模板图像进行滤波后得到的图像。
在本实施例中,最近邻分类模块33的具体结构请参见图4,图4示出了本申请提供的最近邻分类模块的一种结构示意图,最近邻分类模块包括:查找单元41和确定单元42。其中:
查找单元41,用于利用公式查找与所述待识别人脸图像距离最近的模板图像,其中,所述k表示第k个模板图像,与所述待识别人脸图像距离最近,所述k=1,2,…,l,所述l为图像数据库中模板图像的个数,所述I′i为图像数据库中第i个模板图像,所述min为计算目标函数最小值的函数,所述arg min为带参数的最小化函数,所述i=1,...,l为所述参数,||||F为矩阵的Frobenius范数。
确定单元42,用于确定与所述待识别人脸图像距离最近的模板图像为匹配模板图像。
第一确定模块34,用于确定所述匹配模板图像的类别为所述人脸图像的类别。
在本实施例中,滤波模块32还包括:第二滤波单元,用于使用公式I′i=Ii-Ii*S对所述图像数据库中的原始模板图像进行滤波,得到模板图像;
其中,所述i={1,2,...,l},所述Ii为第i个原始模板图像,所述l为图像数据库中模板图像的个数,所述I′i为图像数据库中第i个模板图像,所述S为所述滤波模块,所述*为卷积符号。
在本实施例中,人脸识别系统还包括:第二确定模块、计算模块和生成模块。其中:
第二确定模块,用于确定滤波模块大小为2N+1,并定义大小为(2N+1)×(2N+1)的矩形窗口,所述矩形窗口为[-N,-N+1,…,N]×[-N,-N+1,…,N],所述N为正整数,所述矩形窗口中的点表示为所述ri和ci为所述矩形窗口中的坐标点,所述ri,ci∈{-N,…,N}。
计算模块,用于根据公式Q=A(I-eB),计算第一矩阵,其中所述第一矩阵由Q表示,所述e是全1向量,I是单位矩阵,A=Ω-1和所述Ω为高斯矩阵,所述通过Ωij=exp{-((ri-rj)2+(ci-cj)2)/2σ2}得到,所述Ω-1为高斯矩阵的逆矩阵,所述eT中的T为向量的转置,所述rj为所述矩形窗口中不同于所述ri的坐标点,所述cj为所述矩形窗口中不同于所述ci的坐标点,所述σ∈R是滤波模块的尺度因子。
生成模块,用于获取所述第一矩阵的第行向量,并将该行向量重新排列为一个(2N+1)×(2N+1)的矩阵,得到第二矩阵,所述第二矩阵由S表示,所述第二矩阵为所述滤波模块。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种人脸识别方法及系统进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取输入的人脸图像;
使用滤波模块对所述人脸图像进行滤波,得到待识别人脸图像;
利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,所述模板图像为使用所述滤波模块对原始模板图像进行滤波后得到的图像;
确定所述匹配模板图像的类别为所述人脸图像的类别。
2.根据权利要求1所述的方法,其特征在于,所述使用滤波模块对所述人脸图像进行滤波,得到待识别人脸图像的过程,包括:
使用公式I′=I-I*S对所述人脸图像进行滤波,得到待识别人脸图像;
其中,所述I为所述人脸图像,所述S为所述滤波模块,所述I′为所述待识别人脸图像,所述*为卷积符号。
3.根据权利要求2所述的方法,其特征在于,所述利用最近邻分类模块在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像的过程,包括:
利用公式查找与所述待识别人脸图像距离最近的模板图像;
确定与所述待识别人脸图像距离最近的模板图像为匹配模板图像;
其中,所述k表示第k个模板图像,与所述待识别人脸图像距离最近,所述k=1,2,…,l,所述l为图像数据库中模板图像的个数,所述I′i为图像数据库中第i个模板图像,所述min为计算目标函数最小值的函数,所述argmin为带参数的最小化函数,所述i=1,...,l为所述参数,||||F为矩阵的Frobenius范数。
4.根据权利要求3所述的方法,其特征在于,所述模板图像的生成过程,包括:
使用公式I′i=Ii-Ii*S对所述图像数据库中的原始模板图像进行滤波,得到模板图像;
其中,所述i={1,2,...,l},所述Ii为第i个原始模板图像。
5.根据权利要求1-4任意一项所述的方法,其特征在于,所述滤波模块的生成过程,包括:
确定滤波模块大小为2N+1,并定义大小为(2N+1)×(2N+1)的矩形窗口,所述矩形窗口为[-N,-N+1,…,N]×[-N,-N+1,…,N],所述N为正整数,所述矩形窗口中的点表示为所述ri和ci为所述矩形窗口中的坐标点,所述ri,ci∈{-N,…,N};
根据公式Q=A(I-eB),计算第一矩阵,其中所述第一矩阵由Q表示,所述e是全1向量,I是单位矩阵,A=Ω-1和所述Ω为高斯矩阵,所述通过Ωij=exp{-((ri-rj)2+(ci-cj)2)/2σ2}得到,所述Ω-1为高斯矩阵的逆矩阵,所述eT中的T为向量的转置,所述rj为所述矩形窗口中不同于所述ri的坐标点,所述cj为所述矩形窗口中不同于所述ci的坐标点,所述σ∈R是滤波模块的尺度因子;
获取所述第一矩阵的第行向量,并将该行向量重新排列为一个(2N+1)×(2N+1)的矩阵,得到第二矩阵,所述第二矩阵由S表示,所述第二矩阵为所述滤波模块。
6.一种人脸识别系统,其特征在于,包括:
获取模块,用于获取输入的人脸图像;
滤波模块,用于对所述人脸图像进行滤波,得到待识别人脸图像;
最近邻分类模块,用于在图像数据库中查找与所述待识别人脸图像相匹配的模板图像,得到匹配模板图像,所述模板图像为使用所述滤波模块对原始模板图像进行滤波后得到的图像;
第一确定模块,用于确定所述匹配模板图像的类别为所述人脸图像的类别。
7.根据权利要求6所述的系统,其特征在于,所述滤波模块包括:
第一滤波单元,用于使用公式I′=I-I*S对所述人脸图像进行滤波,得到待识别人脸图像;
其中,所述I为所述人脸图像,所述S为所述滤波模块,所述I′为所述待识别人脸图像,所述*为卷积符号。
8.根据权利要求7所述的系统,其特征在于,所述最近邻分类模块包括:
查找单元,用于利用公式查找与所述待识别人脸图像距离最近的模板图像,其中,所述k表示第k个模板图像,与所述待识别人脸图像距离最近,所述k=1,2,…,l,所述l为图像数据库中模板图像的个数,所述I′i为图像数据库中第i个模板图像,所述min为计算目标函数最小值的函数,所述arg min为带参数的最小化函数,所述i=1,...,l为所述参数,||||F为矩阵的Frobenius范数;
确定单元,用于确定与所述待识别人脸图像距离最近的模板图像为匹配模板图像。
9.根据权利要求8所述的系统,其特征在于,所述滤波模块还包括:
第二滤波单元,用于使用公式I′i=Ii-Ii*S对所述图像数据库中的原始模板图像进行滤波,得到模板图像;
其中,所述i={1,2,...,l},所述Ii为第i个原始模板图像。
10.根据权利要求6-9任意一项所述的系统,其特征在于,还包括:
第二确定模块,用于确定滤波模块大小为2N+1,并定义大小为(2N+1)×(2N+1)的矩形窗口,所述矩形窗口为[-N,-N+1,…,N]×[-N,-N+1,…,N],所述N为正整数,所述矩形窗口中的点表示为所述ri和ci为所述矩形窗口中的坐标点,所述ri,ci∈{-N,…,N};
计算模块,用于根据公式Q=A(I-eB),计算第一矩阵,其中所述第一矩阵由Q表示,所述e是全1向量,I是单位矩阵,A=Ω-1和所述Ω为高斯矩阵,所述通过Ωij=exp{-((ri-rj)2+(ci-cj)2)/2σ2}得到,所述Ω-1为高斯矩阵的逆矩阵,所述eT中的T为向量的转置,所述rj为所述矩形窗口中不同于所述ri的坐标点,所述cj为所述矩形窗口中不同于所述ci的坐标点,所述σ∈R是滤波模块的尺度因子;
生成模块,用于获取所述第一矩阵的第行向量,并将该行向量重新排列为一个(2N+1)×(2N+1)的矩阵,得到第二矩阵,所述第二矩阵由S表示,所述第二矩阵为所述滤波模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410219735.3A CN103955681A (zh) | 2014-05-22 | 2014-05-22 | 一种人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410219735.3A CN103955681A (zh) | 2014-05-22 | 2014-05-22 | 一种人脸识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103955681A true CN103955681A (zh) | 2014-07-30 |
Family
ID=51332956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410219735.3A Pending CN103955681A (zh) | 2014-05-22 | 2014-05-22 | 一种人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955681A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1359536A2 (en) * | 2002-04-27 | 2003-11-05 | Samsung Electronics Co., Ltd. | Face recognition method and apparatus using component-based face descriptor |
CN102262723A (zh) * | 2010-05-24 | 2011-11-30 | 汉王科技股份有限公司 | 一种人脸识别方法及装置 |
EP2428916A2 (en) * | 2010-09-09 | 2012-03-14 | Samsung Electronics Co., Ltd. | Method and apparatus to generate object descriptor using extended curvature gabor filter |
CN102393966A (zh) * | 2011-06-15 | 2012-03-28 | 西安电子科技大学 | 基于多尺度显著图的自适应图像压缩采样方法 |
CN103020579A (zh) * | 2011-09-22 | 2013-04-03 | 上海银晨智能识别科技有限公司 | 人脸识别方法及系统、人脸图像的眼镜框去除方法与装置 |
CN103034838A (zh) * | 2012-12-03 | 2013-04-10 | 中国人民解放军63963部队 | 一种基于图像特征的特种车辆仪表类型识别与标定方法 |
EP2590111A2 (en) * | 2011-11-01 | 2013-05-08 | Samsung Electronics Co., Ltd | Face recognition apparatus and method for controlling the same |
-
2014
- 2014-05-22 CN CN201410219735.3A patent/CN103955681A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1359536A2 (en) * | 2002-04-27 | 2003-11-05 | Samsung Electronics Co., Ltd. | Face recognition method and apparatus using component-based face descriptor |
CN102262723A (zh) * | 2010-05-24 | 2011-11-30 | 汉王科技股份有限公司 | 一种人脸识别方法及装置 |
EP2428916A2 (en) * | 2010-09-09 | 2012-03-14 | Samsung Electronics Co., Ltd. | Method and apparatus to generate object descriptor using extended curvature gabor filter |
CN102393966A (zh) * | 2011-06-15 | 2012-03-28 | 西安电子科技大学 | 基于多尺度显著图的自适应图像压缩采样方法 |
CN103020579A (zh) * | 2011-09-22 | 2013-04-03 | 上海银晨智能识别科技有限公司 | 人脸识别方法及系统、人脸图像的眼镜框去除方法与装置 |
EP2590111A2 (en) * | 2011-11-01 | 2013-05-08 | Samsung Electronics Co., Ltd | Face recognition apparatus and method for controlling the same |
CN103034838A (zh) * | 2012-12-03 | 2013-04-10 | 中国人民解放军63963部队 | 一种基于图像特征的特种车辆仪表类型识别与标定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Towards k-means-friendly spaces: Simultaneous deep learning and clustering | |
Hsu et al. | Cnn-based joint clustering and representation learning with feature drift compensation for large-scale image data | |
US20220156554A1 (en) | Lightweight Decompositional Convolution Neural Network | |
Tao et al. | Robust spectral ensemble clustering | |
An et al. | Person reidentification with reference descriptor | |
Quan et al. | Dynamic texture recognition via orthogonal tensor dictionary learning | |
EP2915102B1 (en) | Detection of human actions from video data | |
Shi et al. | Training DCNN by combining max-margin, max-correlation objectives, and correntropy loss for multilabel image classification | |
Zou et al. | Chronological classification of ancient paintings using appearance and shape features | |
Jiang et al. | Patch‐based principal component analysis for face recognition | |
Peng et al. | Integrate and conquer: Double-sided two-dimensional k-means via integrating of projection and manifold construction | |
Iakovidou et al. | Localizing global descriptors for content-based image retrieval | |
Sun et al. | Tagging and classifying facial images in cloud environments based on KNN using MapReduce | |
Xiong et al. | Dynamic texture classification based on 3D ICA-learned filters and fisher vector encoding in big data environment | |
Gonzalez-Diaz et al. | Neighborhood matching for image retrieval | |
Ding et al. | Single sample per person face recognition with KPCANet and a weighted voting scheme | |
Bhattacharjee et al. | Query adaptive multiview object instance search and localization using sketches | |
Gou et al. | Representation-based classification methods with enhanced linear reconstruction measures for face recognition | |
Munir et al. | Resolution based feature distillation for cross resolution person re-identification | |
Zhang et al. | A Comparison of Moments‐Based Logo Recognition Methods | |
Oberoi et al. | A framework for medical image retrieval using local tetra patterns | |
Ben Aoun et al. | Graph aggregation based image modeling and indexing for video annotation | |
Gao et al. | Data-driven lightweight interest point selection for large-scale visual search | |
Karamti et al. | A deep locality-sensitive hashing approach for achieving optimal image retrieval satisfaction | |
Dornaika | Multi-layer linear embedding with feature subset selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140730 |