CN107368803A - 一种基于类别稀疏表示的人脸识别方法及系统 - Google Patents
一种基于类别稀疏表示的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN107368803A CN107368803A CN201710576445.8A CN201710576445A CN107368803A CN 107368803 A CN107368803 A CN 107368803A CN 201710576445 A CN201710576445 A CN 201710576445A CN 107368803 A CN107368803 A CN 107368803A
- Authority
- CN
- China
- Prior art keywords
- image information
- classification
- face image
- human face
- dictionary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 83
- 230000014759 maintenance of location Effects 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 19
- 230000000717 retained effect Effects 0.000 claims description 13
- 230000001815 facial effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于类别稀疏表示的人脸识别方法及系统，其中，所述人脸识别方法包括：对所述待识别人脸图像信息进行一维数组提取预处理，获取表示待识别人脸图像信息的一维数组信息；采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示的计算处理，获取所述一维数组信息的类别稀疏表示；根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，获取残差分类集合；对所述残差分类集合内的残差分类进行排序处理，根据排序结果获取待识别人脸图像信息的识别结果。在本发明实施例中，通过本发明实施例可以在人脸被遮挡的情况下也有较高的识别准确率，并且在实施过程中，降低特征维度，有效增加了识别速度。
Description
技术领域
本发明涉及生物特征识别技术领域，尤其涉及一种基于类别稀疏表示的人脸识别方法及系统。
背景技术
近年来，由于应用广泛，如应用在视频监控、人脸身份认证等方面，人脸识别研究已经在图像处理、模式识别、计算机视觉等领域引起了极大的关注。经过多年研究，人脸识别技术仍然十分具有挑战性，因为其具有许多影响因素，如表情、视角、光照、遮挡等方面的变化。
部分人脸遮挡，如穿戴太阳眼镜、帽子、或者围巾等，是现实世界人脸识别应用中最具有挑战性的一个问题。由于被遮挡的样本是个异常值，因此传统的工具，如主成分分析(PCA)，线性判别分析(LDA)，局部保留映射以及边际Fisher分析等都不能很好地处理人脸遮挡的问题。
Wright et al.提出了一个用于人脸识别的通用分类算法，名为稀疏表示分类法(Sparse Representation Classification，简称SRC)。SRC通过计算1范数的最小值，用训练集图像的稀疏度线性结合来给输入测试图像编码。SRC和许多著名的人脸识别算法相比有着更高的正确率。另外，通过使用单位矩阵作为扩展字典，SRC能够很好地解决随机像素崩坏以及小范围脸部遮挡问题。
Deng et al.提出了基于扩展稀疏度表示的分类器(Extended SparseRepresentation，简称ESRC)，ESRC应用辅助同类变量字典来表示训练图像和测试图像之间可能的变量。ESRC同时提高了对遮挡样本和非遮挡样本的人脸识别效果。
另一方面，核判别式分析(Kernel Discriminant Analysis,简称KDA)是人脸识别领域另一种成功的工具。KDA将数据映射至一个非线性判别式子空间，从而抑制类内变化并且使得不同人物图像之间的差异最大化。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于类别稀疏表示的人脸识别方法及系统，通过本发明实施例可以在人脸被遮挡的情况下也有较高的识别准确率，并且在实施过程中，降低特征维度，有效增加了识别速度。
为了解决上述技术问题，本发明实施例提出了一种基于类别稀疏表示的人脸识别方法，所述人脸识别方法包括：
对所述待识别人脸图像信息进行一维数组提取预处理，获取表示待识别人脸图像信息的一维数组信息；
采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示的计算处理，获取所述一维数组信息的类别稀疏表示；
根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，获取残差分类集合；
对所述残差分类集合内的残差分类进行排序处理，根据排序结果获取待识别人脸图像信息的识别结果。
优选地，所述基本字典构建步骤，包括：
对用户信息留存数据库中的留存人脸图像信息进行一维数组提取预处理，获取表示留存人脸图像信息的留存一维数组信息；
根据所述留存一维数组信息构建留存人脸图像信息矩阵；
根据所述留存人脸图像信息矩阵计算出对应的协方差矩阵；
根据所述协方差矩阵计算出对应的特征向量矩阵和特征值；
采用所述特征向量矩阵和所述特征值构建核判别式分析映射；
获取留存人脸图像信息中无遮挡标准人脸图像信息并构建无遮挡人脸图像信息矩阵；
采用所述核判别式分析映射与所述无遮挡人脸图像信息矩阵进行相乘计算处理，获取所述基本字典。
优选地，所述核扩展字典构建步骤，包括
获取留存人脸图像信息中有遮挡人脸图像信息并构建有遮挡人脸图像信息矩阵；
采用核判别式分析映射与所述有遮挡人脸图像信息矩阵进行相乘计算处理，获取所述核扩展字典。
优选地，所述采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示的计算处理，包括：
采用核判别式分析映射与所述一维数组信息进行相乘计算处理，获取待识别人脸信息字典；
根据所述基本字典和所述核扩展字典对所述待识别人脸信息字典进行类别稀疏计算，获取所述待识别人脸信息字典的类别稀疏表示。
优选地，所述根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，包括：
根据所述基本字典、所述核扩展字典分别计算所述类别稀疏表示中的每一个留存人脸图像信息与待识别用户人脸图像信息的残差，获取每一个留存人脸图像信息与待识别用户人脸的残差；
对每一个留存人脸图像信息与待识别用户人脸的残差进行分类处理，获取残差分类；
根据残差分类进行集合构建处理，获取残差分类集合。
另外，本发明实施例还提供了一种基于类别稀疏表示的人脸识别系统，所述人脸识别系统包括：
预处理模块：用于对所述待识别人脸图像信息进行一维数组提取预处理，获取表示待识别人脸图像信息的一维数组信息；
类别稀疏表示构建模块：用于采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示处理，获取所述一维数组信息的类别稀疏表示；
残差分类计算模块：用于根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，获取残差分类集合；
人脸识别模块：用于对所述残差分类集合内的残差分类进行排序处理，根据排序结果获取待识别人脸图像信息的识别结果。
优选地，所述类别稀疏表示构建模块包括：
预处理单元：用于对用户信息留存数据库中的留存人脸图像信息进行一维数组提取预处理，获取表示留存人脸图像信息的留存一维数组信息；
矩阵构建单元：用于根据所述留存一维数组信息构建留存人脸图像信息矩阵；
协方差计算单元：用于根据所述留存人脸图像信息矩阵计算出对应的协方差矩阵；
向量特征计算单元：用于根据所述协方差矩阵计算出对应的特征向量矩阵和特征值；
映射构建单元：用于采用所述特征向量矩阵和所述特征值构建核判别式分析映射；
无遮挡人脸图像信息矩阵构建单元：用于获取留存人脸图像信息中无遮挡标准人脸图像信息并构建无遮挡人脸图像信息矩阵；
基本字典构建单元：用于采用所述核判别式分析映射与所述无遮挡人脸图像信息矩阵进行相乘计算处理，获取所述基本字典。
优选地，所述类别稀疏表示构建模块包括
遮挡人脸图像信息矩阵构建单元：用于获取留存人脸图像信息中有遮挡人脸图像信息并构建有遮挡人脸图像信息矩阵；
核扩展字典计算单元：用于采用核判别式分析映射与所述有遮挡人脸图像信息矩阵进行相乘计算处理，获取所述核扩展字典。
优选地，所述类别稀疏表示构建模块包括：
第一相乘处理单元：用于采用核判别式分析映射与所述一维数组信息进行相乘计算处理，获取待识别人脸信息字典；
类别稀疏计算单元：用于根据所述基本字典和所述核扩展字典对所述待识别人脸信息字典进行类别稀疏计算，获取所述待识别人脸信息字典的类别稀疏表示。
优选地，所述残差分类计算模块包括：
残差计算单元：用于根据所述基本字典、所述核扩展字典分别计算所述类别稀疏表示中的每一个留存人脸图像信息与待识别用户人脸图像信息的残差，获取每一个留存人脸图像信息与待识别用户人脸的残差；
残差分类单元：用于对每一个留存人脸图像信息与待识别用户人脸的残差进行分类处理，获取残差分类；
残差分类集合构建单元：用于根据残差分类进行集合构建处理，获取残差分类集合。
在本发明实施例中，通过本发明实施例中通过核扩展字典、基本字典和类别稀疏表示进行人脸识别计算，可以在人脸被部分遮挡(包括眼镜遮挡或者围巾遮挡等情况)的情况下也有较高的识别准确率，并且在实施过程中，降低特征维度，有效增加了识别速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于类别稀疏表示的人脸识别方法的方法流程示意图；
图2是本发明实施例中的基于类别稀疏表示的人脸识别系统的系统结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明实施例中的基于类别稀疏表示的人脸识别方法的方法流程示意图，如图1所示，所述人脸识别方法包括：
S11：对所述待识别人脸图像信息进行一维数组提取预处理，获取表示待识别人脸图像信息的一维数组信息；
S12：采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示的计算处理，获取所述一维数组信息的类别稀疏表示；
S13：根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，获取残差分类集合；
S14：对所述残差分类集合内的残差分类进行排序处理，根据排序结果获取待识别人脸图像信息的识别结果。
对S11作进一步说明：
对所述待识别人脸图像信息进行一维数组提取预处理，获取表示待识别人脸图像信息的一维数组信息。
进一步的，首先对待识别人脸图像信息从RGB图像转换成为灰度图信息，并对这些灰度图像信息进行降噪等一系列处理后获取到的二维灰图像信息进行一维图像转换，即可获取得到待识别人脸图像信息的一维数组信息。
对S12作进一步说明：
采用训练好的基本字典和训练好的核扩展字典对所述一维数组信息进行构建类别稀疏表示的计算处理，获取表示待识别人脸图像信息的一维数组信息。
进一步的，所述基本字典构建步骤，包括：对用户信息留存数据库中的留存人脸图像信息进行一维数组提取预处理，获取表示留存人脸图像信息的留存一维数组信息；根据所述留存一维数组信息构建留存人脸图像信息矩阵；根据所述留存人脸图像信息矩阵计算出对应的协方差矩阵；根据所述协方差矩阵计算出对应的特征向量矩阵和特征值；采用所述特征向量矩阵和所述特征值构建核判别式分析映射；获取留存人脸图像信息中无遮挡标准人脸图像信息并构建无遮挡人脸图像信息矩阵；采用所述核判别式分析映射与所述无遮挡人脸图像信息矩阵进行相乘计算处理，获取所述基本字典。
具体的，将人脸图像库中的用户留存人脸图像信息从RGB图像转换成为灰度图信息，并对这些灰度图像信息进行降噪等一系列处理后获取到的二维灰图像信息进行一维图像转换，即可获取得到留存人脸图像信息的一维数组信息；根据留存人脸图像信息的一维数组信息构建成为一个留存人脸图像信息矩阵，该留存人脸图像信息矩阵为即留存人脸图像矩阵有个留存人脸图像样本，每个样本的维度为d，根据留存人脸图像矩阵对应求出该矩阵的协方差矩阵根据上述的协方差矩阵G求出对应的特征向量矩阵V∈Rd×d和特征值λ∈Rd×d，其中，V的每一列为一个特征向量，λ为对角矩阵，其对角线元素为对应U中的每一个特征向量的特征值，取最大的C-1个特征值对应的特征向量组成KDA(核判别式分析)的C-1个映射：其中C是留存人脸图像信息矩阵中类别的数量，vα可以由展开，即其中，因为是一个标量，所述ai也是一个标量，因此vα可以由展开；通过对留存人脸图像信息的筛选，获取无遮挡的标准留存人脸图像信息，对标准留存人脸图像信息进行相应的处理，获取映射标准人脸图像信息矩阵B＝[b1,b2,…,bn]∈Rd×n，采用核判别式分析映射乘以标准人脸图像信息矩阵B＝[b1,b2,…,bn]∈Rd×n，即可构建基本字典，也就是：
进一步的，获取留存人脸图像信息中有遮挡标准人脸图像信息并构建有遮挡人脸图像信息矩阵；采用核判别式分析映射与所述有遮挡人脸图像信息矩阵进行相乘计算处理，获取所述核扩展字典。
具体的，设的一个子矩阵为W＝[w1,w2,…,wk]，W中的每一个样本均为留存人脸图像信息样本中的非标准的遮挡人脸图像信息矩阵(即光线不足、或含有各种遮挡物，如眼镜、围巾等的人脸图像信息矩阵)，用W中的每一个人脸图像样本减去对应的标准人脸图像信息矩阵B(即光线正常，不含各种遮挡物的清晰的映射标准人脸图像信息矩阵)，从而得到遮挡变量样本矩阵H＝[h1,h2,…,hk]，计算其协方差矩阵I＝HHT，再求其对应的特征值λI和特征向量矩阵取前最大的P个特征值对应的特征向量来作为遮挡模型，即其中，也可以由h1,h2,...,hk展开，即因此通过核判别式分析映射与所述有遮挡人脸图像信息矩阵进行相乘计算处理，获取所述核扩展字典，也就是
进一步的，采用核判别式分析映射与所述一维数组信息进行相乘计算处理，获取待识别人脸信息字典；根据所述基本字典和所述核扩展字典对所述待识别人脸信息字典进行类别稀疏计算，获取所述待识别人脸信息字典的类别稀疏表示。
具体的，首先采用核判别式分析映射与待识别用户人脸图像信息的一维数组信息相乘，获取待识别人脸信息字典，采用y表示一维数组信息，既有其中，KDA为核判别式分析映射，yKDA为待识别人脸信息字典；通过基本字典D以及核扩展字典(D和是已经通过用户留存人脸图像信息数据库经过上述步骤获得的)，找出待识别人脸信息字典的一个类别稀疏表示，即求出使得下列式子的最小的β和
其中，z＝[z1,z2,...,zC]T；即每一个最小的β和就是待识别人脸信息字典的类别稀疏表示
对S13作进一步说明：
根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，获取残差分类集合。
进一步的，根据所述基本字典、所述核扩展字典分别计算所述类别稀疏表示中的每一个留存人脸图像信息与待识别用户人脸图像信息的残差，获取每一个留存人脸图像信息与待识别用户人脸的残差；对每一个留存人脸图像信息与待识别用户人脸的残差进行分类处理，获取残差分类；根据残差分类进行集合构建处理，获取残差分类集合。
具体的，通过基本字典、核扩展字典和类别稀疏表示进行计算，计算公式参照：
其中，δC(β)∈Rn×1，即是将β中除了与类别稀疏表示中类C相关的项外，其他的各项数值均置为0向量，从而计算每一个留存人脸图像信息与待识别用户人脸图像信息的残差；将计算获得到的每一个留存人脸图像信息与待识别用户人脸的残差按照遮挡或标准进行分类，即根据待识别用户的人脸图像信息是否被遮挡或匹配的留存用户人脸图像信息是否被遮挡进行分类，获取残差分类；根据上述获得的残差分类进行集合构建，然后获取到残差分类的集合。
对S14作进一步说明：
对所述残差分类集合内的残差分类进行排序处理，根据排序结果获取待识别人脸图像信息的识别结果。
进一步的，对获取到的残差分类集合内的残差分类进行一个排序，可以采用自大到小或自小到大等排序放到进行排序(在本发明实施例中不限定具体的排序方法)，根据排序结果选取最小的残差，作为待识别用户人脸图像信息与该最小残差相匹配，但是该最小残差不能大于规定阈值，若最小的残差大于规定阈值，则不能识别待识别用户的人脸图像信息，及不能识别待识别用户的身份信息，其中这个阈值根据用户的需求而设定，若用户要求识别准确率较高，则阈值制定就应该较小，反之则阈值制定较大也是可以的。
图2是本发明实施例中的基于类别稀疏表示的人脸识别系统的系统结构组成示意图，如图2所示，所述人脸识别系统包括：
预处理模块：用于对所述待识别人脸图像信息进行一维数组提取预处理，获取表示待识别人脸图像信息的一维数组信息；
类别稀疏表示构建模块：用于采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示处理，获取所述一维数组信息的类别稀疏表示；
残差分类计算模块：用于根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，获取残差分类集合；
人脸识别模块：用于对所述残差分类集合内的残差分类进行排序处理，根据排序结果获取待识别人脸图像信息的识别结果。
优选地，所述类别稀疏表示构建模块包括：
预处理单元：用于对用户信息留存数据库中的留存人脸图像信息进行一维数组提取预处理，获取表示留存人脸图像信息的留存一维数组信息；
矩阵构建单元：用于根据所述留存一维数组信息构建留存人脸图像信息矩阵；
协方差计算单元：用于根据所述留存人脸图像信息矩阵计算出对应的协方差矩阵；
向量特征计算单元：用于根据所述协方差矩阵计算出对应的特征向量矩阵和特征值；
映射构建单元：用于采用所述特征向量矩阵和所述特征值构建核判别式分析映射；
无遮挡人脸图像信息矩阵构建单元：用于获取留存人脸图像信息中无遮挡标准人脸图像信息并构建无遮挡人脸图像信息矩阵；
基本字典构建单元：用于采用所述核判别式分析映射与所述无遮挡人脸图像信息矩阵进行相乘计算处理，获取所述基本字典。
优选地，所述类别稀疏表示构建模块包括
遮挡人脸图像信息矩阵构建单元：用于获取留存人脸图像信息中有遮挡人脸图像信息并构建有遮挡人脸图像信息矩阵；
核扩展字典计算单元：用于采用核判别式分析映射与所述有遮挡人脸图像信息矩阵进行相乘计算处理，获取所述核扩展字典。
优选地，所述类别稀疏表示构建模块包括：
第一相乘处理单元：用于采用核判别式分析映射与所述一维数组信息进行相乘计算处理，获取待识别人脸信息字典；
类别稀疏计算单元：用于根据所述基本字典和所述核扩展字典对所述待识别人脸信息字典进行类别稀疏计算，获取所述识别人脸信息字典的类别稀疏表示。
优选地，所述残差分类计算模块包括：
残差分类计算单元：用于根据所述基本字典、所述核扩展字典分别计算所述类别稀疏表示中的每一个留存人脸图像信息与待识别用户人脸图像信息的残差，获取每一个留存人脸图像信息与待识别用户人脸的残差；
残差分类单元：用于对每一个留存人脸图像信息与待识别用户人脸的残差进行分类处理，获取残差分类；
残差分类集合构建单元：用于根据残差分类进行集合构建处理，获取残差分类集合。
具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述，这里不再赘述。
在本发明实施例中，通过本发明实施例中通过核扩展字典、基本字典和类别稀疏表示进行人脸识别计算，可以在人脸被部分遮挡(包括眼镜遮挡或者围巾遮挡等情况)的情况下也有较高的识别准确率，并且在实施过程中，降低特征维度，有效增加了识别速度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于类别稀疏表示的人脸识别方法及系统进行了详细介绍，本文中应采用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。
Claims (10)
1.一种基于类别稀疏表示的人脸识别方法，其特征在于，所述人脸识别方法包括：
对所述待识别人脸图像信息进行一维数组提取预处理，获取表示待识别人脸图像信息的一维数组信息；
采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示的计算处理，获取所述一维数组信息的类别稀疏表示；
根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，获取残差分类集合；
对所述残差分类集合内的残差分类进行排序处理，根据排序结果获取待识别人脸图像信息的识别结果。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述基本字典构建步骤，包括：
对用户信息留存数据库中的留存人脸图像信息进行一维数组提取预处理，获取表示留存人脸图像信息的留存一维数组信息；
根据所述留存一维数组信息构建留存人脸图像信息矩阵；
根据所述留存人脸图像信息矩阵计算出对应的协方差矩阵；
根据所述协方差矩阵计算出对应的特征向量矩阵和特征值；
采用所述特征向量矩阵和所述特征值构建核判别式分析映射；
获取留存人脸图像信息中无遮挡标准人脸图像信息并构建无遮挡人脸图像信息矩阵；
采用所述核判别式分析映射与所述无遮挡人脸图像信息矩阵进行相乘计算处理，获取所述基本字典。
3.根据权利要求1所述的人脸识别方法，其特征在于，所述核扩展字典构建步骤，包括
获取留存人脸图像信息中有遮挡人脸图像信息并构建有遮挡人脸图像信息矩阵；
采用核判别式分析映射与所述有遮挡人脸图像信息矩阵进行相乘计算处理，获取所述核扩展字典。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示的计算处理，包括：
采用核判别式分析映射与所述一维数组信息进行相乘计算处理，获取待识别人脸信息字典；
根据所述基本字典和所述核扩展字典对所述待识别人脸信息字典进行类别稀疏计算，获取所述待识别人脸信息字典的类别稀疏表示。
5.根据权利要求1所述的人脸识别方法，其特征在于，所述根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，包括：
根据所述基本字典、所述核扩展字典分别计算所述类别稀疏表示中的每一个留存人脸图像信息与待识别用户人脸图像信息的残差，获取每一个留存人脸图像信息与待识别用户人脸的残差；
对每一个留存人脸图像信息与待识别用户人脸的残差进行分类处理，获取残差分类；
根据残差分类进行集合构建处理，获取残差分类集合。
6.一种基于类别稀疏表示的人脸识别系统，其特征在于，所述人脸识别系统包括：
预处理模块：用于对所述待识别人脸图像信息进行一维数组提取预处理，获取表示待识别人脸图像信息的一维数组信息；
类别稀疏表示构建模块：用于采用基本字典和核扩展字典对所述一维数组信息进行构建类别稀疏表示处理，获取所述一维数组信息的类别稀疏表示；
残差分类计算模块：用于根据所述基本字典、所述核扩展字典和所述类别稀疏表示计算所述残差分类，获取残差分类集合；
人脸识别模块：用于对所述残差分类集合内的残差分类进行排序处理，根据排序结果获取待识别人脸图像信息的识别结果。
7.根据权利要求6所述的人脸识别系统，其特征在于，所述类别稀疏表示构建模块包括：
预处理单元：用于对用户信息留存数据库中的留存人脸图像信息进行一维数组提取预处理，获取表示留存人脸图像信息的留存一维数组信息；
矩阵构建单元：用于根据所述留存一维数组信息构建留存人脸图像信息矩阵；
协方差计算单元：用于根据所述留存人脸图像信息矩阵计算出对应的协方差矩阵；
向量特征计算单元：用于根据所述协方差矩阵计算出对应的特征向量矩阵和特征值；
映射构建单元：用于采用所述特征向量矩阵和所述特征值构建核判别式分析映射；
无遮挡人脸图像信息矩阵构建单元：用于获取留存人脸图像信息中无遮挡标准人脸图像信息并构建无遮挡人脸图像信息矩阵；
基本字典构建单元：用于采用所述核判别式分析映射与所述无遮挡人脸图像信息矩阵进行相乘计算处理，获取所述基本字典。
8.根据权利要求6所述的人脸识别系统，其特征在于，所述类别稀疏表示构建模块包括
遮挡人脸图像信息矩阵构建单元：用于获取留存人脸图像信息中有遮挡人脸图像信息并构建有遮挡人脸图像信息矩阵；
核扩展字典计算单元：用于采用核判别式分析映射与所述有遮挡人脸图像信息矩阵进行相乘计算处理，获取所述核扩展字典。
9.根据权利要求6所述的人脸识别系统，其特征在于，所述类别稀疏表示构建模块包括：
第一相乘处理单元：用于采用核判别式分析映射与所述一维数组信息进行相乘计算处理，获取待识别人脸信息字典；
类别稀疏计算单元：用于根据所述基本字典和所述核扩展字典对所述待识别人脸信息字典进行类别稀疏计算，获取所述待识别人脸信息字典的类别稀疏表示。
10.根据权利要求6所述的人脸识别系统，其特征在于，所述残差分类计算模块包括：
残差计算单元：用于根据所述基本字典、所述核扩展字典分别计算所述类别稀疏表示中的每一个留存人脸图像信息与待识别用户人脸图像信息的残差，获取每一个留存人脸图像信息与待识别用户人脸的残差；
残差分类单元：用于对每一个留存人脸图像信息与待识别用户人脸的残差进行分类处理，获取残差分类；
残差分类集合构建单元：用于根据残差分类进行集合构建处理，获取残差分类集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710576445.8A CN107368803A (zh) | 2017-07-14 | 2017-07-14 | 一种基于类别稀疏表示的人脸识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710576445.8A CN107368803A (zh) | 2017-07-14 | 2017-07-14 | 一种基于类别稀疏表示的人脸识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107368803A true CN107368803A (zh) | 2017-11-21 |
Family
ID=60308320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710576445.8A Pending CN107368803A (zh) | 2017-07-14 | 2017-07-14 | 一种基于类别稀疏表示的人脸识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107368803A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052932A (zh) * | 2018-01-10 | 2018-05-18 | 重庆邮电大学 | 一种遮挡自适应人脸识别方法 |
| CN108664917A (zh) * | 2018-05-08 | 2018-10-16 | 佛山市顺德区中山大学研究院 | 基于辅变字典及最大边际线性映射的人脸识别方法和系统 |
| CN110119776A (zh) * | 2019-05-10 | 2019-08-13 | 长沙理工大学 | 基于多核学习k-svd的识别方法及其系统 |
| CN111639545A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
| CN113158812A (zh) * | 2021-03-25 | 2021-07-23 | 南京工程学院 | 基于混合扩展块字典稀疏表示的单样本人脸识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915436A (zh) * | 2012-10-25 | 2013-02-06 | 北京邮电大学 | 基于类内变化字典和训练图像的稀疏表示人脸识别方法 |
| CN103246874A (zh) * | 2013-05-03 | 2013-08-14 | 北京工业大学 | 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法 |
-
2017
- 2017-07-14 CN CN201710576445.8A patent/CN107368803A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915436A (zh) * | 2012-10-25 | 2013-02-06 | 北京邮电大学 | 基于类内变化字典和训练图像的稀疏表示人脸识别方法 |
| CN103246874A (zh) * | 2013-05-03 | 2013-08-14 | 北京工业大学 | 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| BAUDAT G.等: "Generalized Discriminant Analysis Using a Kernel Approach", 《NEUTRAL COMPUTER》 * |
| KE-KUN HUANG等: "Learning Kernel Extended Dictionary for Face Recognition", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
| WEIHONG DENG等: "Extended SRC:Undersampled Face Recognition", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052932A (zh) * | 2018-01-10 | 2018-05-18 | 重庆邮电大学 | 一种遮挡自适应人脸识别方法 |
| CN108664917A (zh) * | 2018-05-08 | 2018-10-16 | 佛山市顺德区中山大学研究院 | 基于辅变字典及最大边际线性映射的人脸识别方法和系统 |
| CN110119776A (zh) * | 2019-05-10 | 2019-08-13 | 长沙理工大学 | 基于多核学习k-svd的识别方法及其系统 |
| CN111639545A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
| CN111639545B (zh) * | 2020-05-08 | 2023-08-08 | 浙江大华技术股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
| CN113158812A (zh) * | 2021-03-25 | 2021-07-23 | 南京工程学院 | 基于混合扩展块字典稀疏表示的单样本人脸识别方法 |
| CN113158812B (zh) * | 2021-03-25 | 2022-02-08 | 南京工程学院 | 基于混合扩展块字典稀疏表示的单样本人脸识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109857889B (zh) | 一种图像检索方法、装置、设备及可读存储介质 | |
| CN107368803A (zh) | 一种基于类别稀疏表示的人脸识别方法及系统 | |
| EP3074918B1 (en) | Method and system for face image recognition | |
| JP6159489B2 (ja) | 顔認証方法およびシステム | |
| CN102982349B (zh) | 一种图像识别方法及装置 | |
| CN102938065B (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
| CN109784182A (zh) | 行人重识别方法和装置 | |
| CN108427921A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
| CN106682598A (zh) | 一种基于级联回归的多姿态的人脸特征点检测方法 | |
| CN106407911A (zh) | 基于图像的眼镜识别方法及装置 | |
| CN105243374A (zh) | 三维人脸识别方法、系统及应用其的数据处理装置 | |
| US20090226047A1 (en) | Apparatus and Method of Processing Image and Human Face Detection System using the smae | |
| CN103218609A (zh) | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 | |
| CN113033398B (zh) | 一种手势识别方法、装置、计算机设备及存储介质 | |
| Kekre et al. | Performance Comparison for Face Recognition using PCA, DCT &WalshTransform of Row Mean and Column Mean | |
| CN107330412B (zh) | 一种基于深度稀疏表示的人脸年龄估计方法 | |
| CN109255289A (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
| CN105117708A (zh) | 人脸表情识别的方法和装置 | |
| CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
| CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
| CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
| CN106874877A (zh) | 一种结合局部和全局特征的无约束人脸验证方法 | |
| CN109325507A (zh) | 一种结合超像素显著性特征与hog特征的图像分类算法和系统 | |
| CN107832786A (zh) | 一种基于字典学习的人脸识别分类方法 | |
| CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171121 |
|
| WD01 | Invention patent application deemed withdrawn after publication |