CN107958229B - 一种基于近邻保持低秩表示的人脸识别方法、装置及设备 - Google Patents
一种基于近邻保持低秩表示的人脸识别方法、装置及设备 Download PDFInfo
- Publication number
- CN107958229B CN107958229B CN201711395361.0A CN201711395361A CN107958229B CN 107958229 B CN107958229 B CN 107958229B CN 201711395361 A CN201711395361 A CN 201711395361A CN 107958229 B CN107958229 B CN 107958229B
- Authority
- CN
- China
- Prior art keywords
- sample set
- training sample
- face
- feature
- representation
- 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.)
- Active
Links
Images
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于近邻保持低秩表示的人脸识别方法、装置、设备及计算机存储介质。其中,方法包括将相似性自适应保持和低秩表示集成为统一学习框架,得到表示系数矩阵和用于提取特征、基于核范式和L2,1‑范式约束下的稀疏投影矩阵;利用稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征,生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集;利用人脸特征训练样本集将表示系数矩阵和显著特征的重构误差最小化项进行集成优化;将人脸特征测试样本集输入人脸特征训练样本集构造的最近邻分类器,根据相似性进行识别,得到识别结果。本申请提供的技术方案提升了人脸图像特征提取和识别能力。
Description
技术领域
本发明实施例涉及计算机视觉和图像识别技术领域,特别是涉及一种基于近邻保持低秩表示的人脸识别方法、装置、设备及计算机存储介质。
背景技术
随着数据量的增长以及内容复杂性的增大,在数据挖掘与分析领域,如何有效地、健壮地表示数据已经越来越重要。目前,数据表示的方法包括维数约减,稀疏表示以及低秩恢复等。
在低秩表示模型中,一般采用鲁棒主成分分析(RPCA)和低秩表示(LRR)。鲁棒主成分分析和低秩表示目的在于将所给的数据矩阵分解成一个低秩组成和一个稀疏错误部分,低秩部分相当于原始数据的简洁表示。由于低秩编码,鲁棒主成分分析和低秩表示都能有效地处理破坏数据以及同时修正数据中的噪音和其他错误等。但RPCA只能处理单一子空间数据,而LRR可以很好地处理混合数据,即混合子空间数据。但是RPCA和LRR本质上都是直推式的算法。
近几年,已经对RPCA和LRR处理恢复和错误改正的能力进行改善。提出了归纳式鲁棒主成分分析(IRPCA),可通过优化一个核范式最小化问题来学习一个低秩投影,并可被处理新数据。另一个方法是潜在低秩表示(LatLRR),利用某些潜在观测值对低秩估计进行隐藏效应的恢复。但目前的大部分低秩编码方法无法有效的保存领域信息或数据局部几何结构。
发明内容
本发明实施例的目的是提供一种基于近邻保持低秩表示的人脸识别方法、装置、设备及计算机存储介质,提升了人脸图像特征提取和识别能力。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种基于近邻保持低秩表示的人脸识别方法,包括:
将相似性自适应保持和低秩表示集成为统一学习框架,以获取表示系数矩阵和用于提取特征、基于核范式和L2,1-范式约束下的稀疏投影矩阵;
利用所述稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征,生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集;
利用所述人脸特征训练样本集将所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化,联合最小化和将所述表示系数矩阵在原始数据空间和显著特征空间进行共享优化;
利用所述人脸特征训练样本集进行最近邻分类器模型构造;
将所述人脸特征测试样本集输入所述最近邻分类器中,根据所述人脸特征训练样本集和所述人脸特征测试样本集之间的相似性,获得所述人脸特征测试样本集的识别信息,以得到所述人脸特征测试样本集的人脸识别结果。
可选的,所述利用所述人脸特征训练样本集将所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化包括:
将所述训练样本集分解为基于Frobenius-范式正则化的主成分特征、相似性自适应保持的显著特征及稀疏误差项,对所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化,得到初步目标函数:
可选的,所述初步目标函数为:
式中,所述训练样本集为l为所述训练样本集的样本数目,Z为重构系数矩阵,PX为所述训练样本集的显著特征,XZ为所述训练样本集的主成分特征,P为所述稀疏投影矩阵,为重构误差最小化项,E为稀疏误差矩阵,α、β、γ为权衡参数。
本发明实施例另一方面提供了一种基于近邻保持低秩表示的人脸识别装置,包括:
获取参数模块,用于将相似性自适应保持和低秩表示集成为统一学习框架,以获取表示系数矩阵和用于提取特征、基于核范式和L2,1-范式约束下的稀疏投影矩阵;
特征嵌入模块,用于利用所述稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征,生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集;
优化模块,用于利用所述人脸特征训练样本集将所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化,联合最小化和将所述表示系数矩阵在原始数据空间和显著特征空间进行共享优化;
模型构造模块,用于利用所述人脸特征训练样本集进行最近邻分类器模型构造;
人脸识别模块,用于将所述人脸特征测试样本集输入所述最近邻分类器中,根据所述人脸特征训练样本集和所述人脸特征测试样本集之间的相似性,获得所述人脸特征测试样本集的识别信息,以得到所述人脸特征测试样本集的人脸识别结果。
可选的,所述优化模块为将所述训练样本集分解为基于Frobenius-范式正则化的主成分特征、相似性自适应保持的显著特征及稀疏误差项,对所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化,得到初步目标函数的模块:
可选的,所述优化模块为所述初步目标函数为下述公式的模块:
式中,所述训练样本集为l为所述训练样本集的样本数目,Z为重构系数矩阵,PX为所述训练样本集的显著特征,XZ为所述训练样本集的主成分特征,P为所述稀疏投影矩阵,为重构误差最小化项,E为稀疏误差矩阵,α、β、γ为权衡参数。
本发明实施例还提供了一种基于近邻保持低秩表示的人脸识别装置,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述基于近邻保持低秩表示的人脸识别方法的步骤。
本发明实施例最后还提供了一种计算机存储介质,所述计算机可读存储介质上存储有基于近邻保持低秩表示的人脸识别程序,所述基于近邻保持低秩表示的人脸识别程序被处理器执行时实现如前任一项所述基于近邻保持低秩表示的人脸识别方法的步骤。
本发明实施例提供了一种基于近邻保持低秩表示的人脸识别方法,将相似性自适应保持和低秩表示集成为统一学习框架,以获取表示系数矩阵和用于提取特征、基于核范式和L2,1-范式约束下的稀疏投影矩阵;利用稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征,生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集;利用人脸特征训练样本集将表示系数矩阵和训练样本集的显著特征的重构误差最小化项进行集成优化;利用人脸特征训练样本集进行最近邻分类器模型构造;将人脸特征测试样本集输入最近邻分类器中,根据人脸特征训练样本集和人脸特征测试样本集之间的相似性,获得人脸特征测试样本集的识别信息,以得到人脸特征测试样本集的识别结果。
本申请提供的技术方案的优点在于,基于相似性自适应保持的低秩表示及显著特征投影,利用上述方法对人脸图像训练样本进行优化,生成基于核范式和L2,1-范式约束下的稀疏投影;进而利用得到的稀疏投影矩阵对训练样本和测试样本进行嵌入处理,并将基于表示系数和显著特征的重构误差最小化项进行集成优化,完成显著特征提取。提取的特征是去噪后的结果,因此通过上述联合最小化和将表示系数在原始数据空间和显著特征空间进行共享优化,可有效促使得到的表示系数呈现块对角和判别特性,有效的提升人脸图像特征提取和识别能力,从而有利于提升人脸识别的准确度。
此外,本发明实施例还针对基于近邻保持低秩表示的人脸识别方法提供了相应的实现装置、设备及计算机存储介质,进一步使得所述方法更具有实用性,所述装置、设备及计算机存储介质具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,显而易见地,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他的附图。
图1为本发明实施例提供的一种基于近邻保持低秩表示的人脸识别方法的流程示意图;
图2为本发明实施例提供的基于近邻保持低秩表示的人脸识别装置的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种基于近邻保持低秩表示的人脸识别方法的流程示意图,本发明实施例可包括以下内容:
S101:将相似性自适应保持和低秩表示集成为统一学习框架,以获取表示系数矩阵和用于提取特征、基于核范式和L2,1-范式约束下的稀疏投影矩阵。
S102:利用稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征,生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集。
S103:利用人脸特征训练样本集将表示系数矩阵和训练样本集的显著特征的重构误差最小化项进行集成优化,联合最小化和将表示系数矩阵在原始数据空间和显著特征空间进行共享优化。
S104:利用人脸特征训练样本集进行最近邻分类器模型构造。
S105:将人脸特征测试样本集输入最近邻分类器中,根据人脸特征训练样本集和人脸特征测试样本集之间的相似性,获得人脸特征测试样本集的识别信息,以得到人脸特征测试样本集的人脸识别结果。
人脸特征训练样本集和人脸特征测试样本集之间的距离越小,二者的相似性越大,人脸特征训练样本集和人脸特征测试样本集之间的距离越小,二者的相似性越小,不属于同一类别的可能性越大。
将训练样本集分解为基于Frobenius-范式正则化的主成分特征、相似性自适应保持的显著特征及稀疏误差项,为了获得相似性自适应保持的显著特征,对表示系数矩阵和训练样本集的显著特征的重构误差最小化项进行集成优化,即是解决下述初步目标函数最小化问题:
为了建立起训练样本集的主成分特征XZ和显著特征PX之间的关系来增强数据表示,可将重构系数矩阵Z和显著特征PX的重构误差最小化项目添加到目标函数中,除了构建连接之外,还可以清楚地保持邻域信息的显著特征。
基于核准则的投影可以确保提取的显著特征保持低秩属性,但不能确保其保持稀疏和辨别能力。为了使学习的显著特征对噪声具有更多的信息和鲁棒性,可基于对投影实施核范式和L2,1-范式约束。
由于E=X-XZ-PX,因此,可以将初步目标函数调整为:
式中,训练样本集为l为训练样本集的样本数目,Z为重构系数矩阵,PX为训练样本集的显著特征,XZ为训练样本集的主成分特征,P为稀疏投影矩阵,为重构误差最小化项,E为稀疏误差矩阵,α、β、γ为目标函数中多项之间的权衡参数。α平衡P的低秩和稀疏效应,β在目标函数最小化时,平衡了自适应邻域重构误差的影响。
联合最小化和将表示系数矩阵在原始数据空间和显著特征空间进行共享优化的具体过程可包括:
在本发明实施例中,有三个主要变量,即Z、P和E,因此公式的优化可以在以下两个步骤之间交替进行:
1、自适应邻域保持联合低秩和稀疏投影学习:
很明显,联合低秩和稀疏投影学习进程是基于X-XZ的,并且表示系数矩阵Z被用于测量显著特征PX的相似性的自适应重建权重矩阵。由于正则化可以有效地保持显著特征的邻域信息。也就是说,上述问题迫使表示系数矩阵Z同时最小化显著特征PX上的重构误差,这可以潜在的增强特征矩阵的学习结果。当得到联合低秩以及稀疏投影矩阵P之后,可以通过以下学习过程交替地更新表示系数矩阵Z。
2、基于Frobenius-范式正则化的表示系数学习:
当获得了联合低秩以及稀疏投影矩阵P时,可通过以下基于Frobenius-范式正则化的问题来学习表示系数矩阵Z:
从中可以清楚地看到,表示系数矩阵Z的学习过程同时取决于训练样本集数据和显著特征PX。通过将误差E=X-XZ-PX代替到上述过程中,可以得到如下等价表达式:
很明显,表示系数矩阵Z旨在将原始数据和显著特征联合起来的重建误差最小化,而联合低阶和稀疏嵌入的显著特征学习过程可以消除噪声和不利特征,所以联合最小化和||(X-PX)-XZ||1可以保证学习的系数对于表示具有更多信息。还可引进两个辅助变量J和F使得目标函数的求解更容易实现,将目标函数转换成下列等价的公式:
s.t.X=XZ+PX+E,P=J,P=F
Y1,Y2,Y3为拉格朗日乘数,μ是权重因子,<A,B>=trace(AT,B)。由于涉及到的几个变量相互依赖,因此它们并不能直接得到。因此,可通过每次修复其他变量来更新一个变量。可以通过求解增加的拉格朗日函数来更新变量:
优化具体如下:
1.1修正其他变量,更新J、F和E:
当变量表示系数矩阵Z和稀疏投影矩阵P被修正时,其他变量可以被看做一个常数。移除与J不相干的项,可以得到:
将上述问题转换为下面等价的表达:
在对基于核准则的问题进行共同优化之后,可以通过SVD类似的更新变量J。
类似的,可以将上述公式转化为下面的等价的问题:
可以通过收缩操作Fk+1=Ωα/μ[∑F]得到迭代Fk+1,其中,∑F=(Pk+Y3 k/μk)。∑E=(X-XZk-PkX+Y1 k/μk),为矩阵∑E的第i列,迭代Ek+1在第k=1次迭代的第i列可以被定义为:
1.2修正其他变量,更新表示系数矩阵Z和稀疏投影矩阵P:
首先修正其他变量并且更新表示系数矩阵Z,通过舍弃拉格朗日函数中独立于表示系数矩阵Z的项,可得到:
通过对上述公式中的Z的导数以及对导数的归零,可以推导出第k+1次迭代中Zk+1的解为:
其中,I为单位矩阵。相似地,可以得到下面的问题:
需要说明的是,η=1.12的本发明实施例的技术效果良好,并且可以在30到380之间的大多数情况下迭代次数收敛。
在本发明实施例提供的技术方案中,基于相似性自适应保持的低秩表示及显著特征投影,利用上述方法对人脸图像训练样本进行优化,生成基于核范式和L2,1-范式约束下的稀疏投影;进而利用得到的稀疏投影矩阵对训练样本和测试样本进行嵌入处理,并将基于表示系数和显著特征的重构误差最小化项进行集成优化,完成显著特征提取。提取的特征是去噪后的结果,因此通过上述联合最小化和将表示系数在原始数据空间和显著特征空间进行共享优化,可有效促使得到的表示系数呈现块对角和判别特性,有效的提升人脸图像特征提取和识别能力,从而有利于提升人脸识别的准确度。
为了进一步证实本申请提供的技术方案具有好的人脸识别效果,且具有普遍说明性,本申请在四个人脸图像的数据库进行了测试:YaleB、MIT、AR-male、AR-female。扩展的YaleB数据库包括在各种受控照明条件下拍摄的384个人的2414个正面,。MIT脸部数据库具有10个人的3240张脸部图像,即每个人的324张图像。AR男性和AR女性面部数据集包含来自50人的1300张图像,即两部分中的每个人的26张脸部。测试内容广泛,测试数据充足,因而测试结果具有普遍说明性。
本申请提供的算法具体求解方法可如下所示:
输出:P*←Pk+1,Z*←Zk+1,E*←Ek+1;
初始化:
k=0,Jk=0,Fk=0,Ek=0,Zk=0,Pk=0,
η=1.12,ε=10-6
while还未收敛时do
修正其他变量,并更新低秩矩阵J:
修正其他变量,并更新稀疏矩阵F:
修正其他变量,并更新稀疏误差矩阵E:
修正其他变量,并更新重构系数矩阵Z:
修正其他变量,并更新稀疏投影矩阵P:
更新拉格朗日乘数Y1,Y2,Y3:
用μk+1=min(ημk,maxμ)来更新μ;
收敛检查:如果max(||Pk+1-Jk+1||∞,||Pk+1-Fk+1||∞,||X-XZk+1-Pk+1X-Ek+1||∞)<ε;则停止;否则k=k+1;
End while
请参阅表1,本申请提供的技术方案与主成分分析(PCA)、局部保持投影(LPP)、邻域保持算法(NPE)、判别等度规映射(IsoP)、IRPCA、LatLRR及rLRR方法识别结果对比。给出了每个算法的平均精度(Mean)、标准偏差(Std)和最高精度(Best),其中平均值、标准偏差和最高精度通过平均识别率并从每种方法的曲线搜索最佳记录来计算,标准偏差从其平均值的扩展中测量一组数据中的数字。
表1基于4个脸部数据库的脸部识别对比结果
通过真实数据集上的实例实验结果显示,本申请视觉上地可有效用于基于Frobenius-范式正则化的主成分特征部分,相似性自适应保持的显著特征部分和稀疏误差项。
通过实验结果,可以看出本申请的手写体字符笔划特征提取及识别效果明显优于相关的PCA、LPP、NPE、IsoP、IRPCA、LatLRR及rLRR方法,且表现出了较强的稳定性,具有一定的优势。
本发明实施例还针对基于近邻保持低秩表示的人脸识别方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的基于近邻保持低秩表示的人脸识别装置进行介绍,下文描述的基于近邻保持低秩表示的人脸识别装置与上文描述的基于近邻保持低秩表示的人脸识别方法可相互对应参照。
参见图2,图2为本发明实施例提供的基于近邻保持低秩表示的人脸识别装置在一种具体实施方式下的结构图,该装置可包括:
获取参数模块201,用于将相似性自适应保持和低秩表示集成为统一学习框架,以获取表示系数矩阵和用于提取特征、基于核范式和L2,1-范式约束下的稀疏投影矩阵。
特征嵌入模块202,用于利用稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征,生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集。
优化模块203,用于利用人脸特征训练样本集将表示系数矩阵和训练样本集的显著特征的重构误差最小化项进行集成优化,联合最小化和将表示系数矩阵在原始数据空间和显著特征空间进行共享优化。
模型构造模块204,用于利用人脸特征训练样本集进行最近邻分类器模型构造。
人脸识别模块205,用于将人脸特征测试样本集输入最近邻分类器中,根据人脸特征训练样本集和人脸特征测试样本集之间的相似性,获得人脸特征测试样本集的识别信息,以得到人脸特征测试样本集的人脸识别结果。
可选的,在本实施例的一些实施方式中,所述优化模块203可为将训练样本集分解为基于Frobenius-范式正则化的主成分特征、相似性自适应保持的显著特征及稀疏误差项,对表示系数矩阵和训练样本集的显著特征的重构误差最小化项进行集成优化,得到初步目标函数的模块:
此外,在另外一些实施方式下,所述优化模块203还可为初步目标函数为下述公式的模块:
本发明实施例所述基于近邻保持低秩表示的人脸识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例基于相似性自适应保持的低秩表示及显著特征投影,利用上述方法对人脸图像训练样本进行优化,生成基于核范式和L2,1-范式约束下的稀疏投影;进而利用得到的稀疏投影矩阵对训练样本和测试样本进行嵌入处理,并将基于表示系数和显著特征的重构误差最小化项进行集成优化,完成显著特征提取。提取的特征是去噪后的结果,因此通过上述联合最小化和将表示系数在原始数据空间和显著特征空间进行共享优化,可有效促使得到的表示系数呈现块对角和判别特性,有效的提升人脸图像特征提取和识别能力,从而有利于提升人脸识别的准确度。
本发明实施例还提供了一种基于近邻保持低秩表示的人脸识别设备,可包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如上任意一实施例所述基于近邻保持低秩表示的人脸识别方法的步骤。
本发明实施例所述基于近邻保持低秩表示的人脸识别设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效促使得到的表示系数呈现块对角和判别特性,有效的提升人脸图像特征提取和识别能力,从而有利于提升人脸识别的准确度。
本发明实施例还提供了一种计算机可读存储介质,存储有基于近邻保持低秩表示的人脸识别程序,所述基于近邻保持低秩表示的人脸识别程序被处理器执行时如上任意一实施例所述基于近邻保持低秩表示的人脸识别方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效促使得到的表示系数呈现块对角和判别特性,有效的提升人脸图像特征提取和识别能力,从而有利于提升人脸识别的准确度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于近邻保持低秩表示的人脸识别方法、装置、设备及计算机存储介质进行了详细介绍。本文中应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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种基于近邻保持低秩表示的人脸识别方法,其特征在于,包括:
将相似性自适应保持和低秩表示集成为统一学习框架,以获取表示系数矩阵和用于提取特征、基于核范式和L2,1-范式约束下的稀疏投影矩阵;
利用所述稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征,生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集;
利用所述人脸特征训练样本集将所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化,联合最小化和将所述表示系数矩阵在原始数据空间和显著特征空间进行共享优化;
利用所述人脸特征训练样本集进行最近邻分类器模型构造;
将所述人脸特征测试样本集输入所述最近邻分类器中,根据所述人脸特征训练样本集和所述人脸特征测试样本集之间的相似性,获得所述人脸特征测试样本集的识别信息,以得到所述人脸特征测试样本集的人脸识别结果。
4.一种基于近邻保持低秩表示的人脸识别装置,其特征在于,包括:
获取参数模块,用于将相似性自适应保持和低秩表示集成为统一学习框架,以获取表示系数矩阵和用于提取特征、基于核范式和L2,1-范式约束下的稀疏投影矩阵;
特征嵌入模块,用于利用所述稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征,生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集;
优化模块,用于利用所述人脸特征训练样本集将所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化,联合最小化和将所述表示系数矩阵在原始数据空间和显著特征空间进行共享优化;
模型构造模块,用于利用所述人脸特征训练样本集进行最近邻分类器模型构造;
人脸识别模块,用于将所述人脸特征测试样本集输入所述最近邻分类器中,根据所述人脸特征训练样本集和所述人脸特征测试样本集之间的相似性,获得所述人脸特征测试样本集的识别信息,以得到所述人脸特征测试样本集的人脸识别结果。
7.一种基于近邻保持低秩表示的人脸识别设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至3任一项所述基于近邻保持低秩表示的人脸识别方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于近邻保持低秩表示的人脸识别程序,所述基于近邻保持低秩表示的人脸识别程序被处理器执行时实现如权利要求1至3任一项所述基于近邻保持低秩表示的人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395361.0A CN107958229B (zh) | 2017-12-21 | 2017-12-21 | 一种基于近邻保持低秩表示的人脸识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395361.0A CN107958229B (zh) | 2017-12-21 | 2017-12-21 | 一种基于近邻保持低秩表示的人脸识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958229A CN107958229A (zh) | 2018-04-24 |
CN107958229B true CN107958229B (zh) | 2021-12-24 |
Family
ID=61956583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711395361.0A Active CN107958229B (zh) | 2017-12-21 | 2017-12-21 | 一种基于近邻保持低秩表示的人脸识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958229B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869234B (zh) * | 2021-09-29 | 2024-05-28 | 中国平安财产保险股份有限公司 | 人脸表情识别方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318261B (zh) * | 2014-11-03 | 2016-04-27 | 河南大学 | 一种基于图嵌入低秩稀疏表示恢复的稀疏表示人脸识别方法 |
CN107145841A (zh) * | 2017-07-20 | 2017-09-08 | 深圳大学 | 一种基于矩阵的低秩稀疏人脸识别方法及其系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015127394A1 (en) * | 2014-02-23 | 2015-08-27 | Northeastern University | System for beauty, cosmetic, and fashion analysis |
-
2017
- 2017-12-21 CN CN201711395361.0A patent/CN107958229B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318261B (zh) * | 2014-11-03 | 2016-04-27 | 河南大学 | 一种基于图嵌入低秩稀疏表示恢复的稀疏表示人脸识别方法 |
CN107145841A (zh) * | 2017-07-20 | 2017-09-08 | 深圳大学 | 一种基于矩阵的低秩稀疏人脸识别方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107958229A (zh) | 2018-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Attribute-aware face aging with wavelet-based generative adversarial networks | |
US11645835B2 (en) | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
JP4618098B2 (ja) | 画像処理システム | |
Saragih et al. | Learning AAM fitting through simulation | |
CN105528620B (zh) | 一种联合鲁棒主成分特征学习与视觉分类方法及系统 | |
CN110222213B (zh) | 一种基于异构张量分解的图像分类方法 | |
CN107194378B (zh) | 一种基于混合字典学习的人脸识别方法及装置 | |
CN112541864A (zh) | 一种基于多尺度生成式对抗网络模型的图像修复方法 | |
JP2017506379A5 (zh) | ||
CN107832786B (zh) | 一种基于字典学习的人脸识别分类方法 | |
CN109002794B (zh) | 一种非线性非负矩阵分解人脸识别构建方法、系统及存储介质 | |
US20190197204A1 (en) | Age modelling method | |
Guo et al. | Principal component analysis with sparse fused loadings | |
CN110147782A (zh) | 一种基于投影字典对学习的人脸识别方法及装置 | |
CN114722892A (zh) | 基于机器学习的持续学习方法及装置 | |
CN110910325B (zh) | 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 | |
Zhang et al. | Adaptive non-negative projective semi-supervised learning for inductive classification | |
Chandaliya et al. | Child face age progression and regression using self-attention multi-scale patch gan | |
Zhou et al. | Personalized and occupational-aware age progression by generative adversarial networks | |
CN107958229B (zh) | 一种基于近邻保持低秩表示的人脸识别方法、装置及设备 | |
Pajot et al. | Unsupervised adversarial image inpainting | |
CN109558882A (zh) | 基于鲁棒局部低秩稀疏cnn特征的图像分类方法及装置 | |
Qiu et al. | Learning transformations for classification forests | |
CN110837804A (zh) | 一种稀疏混合字典学习的人脸鉴别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |