CN107958241B - 单样本人脸识别方法、装置、设备及计算机可读存储介质 - Google Patents

单样本人脸识别方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN107958241B
CN107958241B CN201810007877.1A CN201810007877A CN107958241B CN 107958241 B CN107958241 B CN 107958241B CN 201810007877 A CN201810007877 A CN 201810007877A CN 107958241 B CN107958241 B CN 107958241B
Authority
CN
China
Prior art keywords
svd
sample
original
feature
sample set
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
Application number
CN201810007877.1A
Other languages
English (en)
Other versions
CN107958241A (zh
Inventor
张朦
张莉
王邦军
张召
凌兴宏
姚望舒
李凡长
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201810007877.1A priority Critical patent/CN107958241B/zh
Publication of CN107958241A publication Critical patent/CN107958241A/zh
Application granted granted Critical
Publication of CN107958241B publication Critical patent/CN107958241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种单样本人脸识别方法、装置、设备及计算机可读存储介质，包括对待识别图像进行预处理，得到行列一致的待识别单样本；采用预先计算出的SVD投影矩阵和LU投影矩阵分别对待识别单样本进行投影，得到第一判别特征和第二判别特征；利用第一判别特征、第二判别特征、第一计算关系式、预先依据原始训练样本集计算出的SVD权重、LU权重、与原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出待识别单样本到各个原始单样本的距离；采用最近邻分类器从各个距离中确定出待识别单样本距离最近的原始单样本，并以确定出待识别单样本的类别。扩展了数据的求解范围，提高了识别率和识别性能。

Description

单样本人脸识别方法、装置、设备及计算机可读存储介质
技术领域
本发明实施例涉及人脸识别技术领域，特别是涉及一种单样本人脸识别方法、装置、设备及计算机可读存储介质。
背景技术
随着计算机技术的发展，人们的需求不断增长和变化，人脸识别技术得到了广泛的关注。传统的人脸识别方法通常认为在训练过程中可以使用多个样本，但是，在实际生活中的很多应用中，如身份验证、电子护照、法律实施等，由于系统中往往存储的是单样本，所以很难满足这个条件。在这种情况下，很多人脸识别方法往往识别率较低，结果不尽人意，因此单样本人脸识别算法不断地发展。
在单样本人脸识别中，常用的方法是基于虚拟样本的单样本识别方法，从原始样本中生成新的虚拟样本，将单样本人脸识别问题转化为一般的人脸识别问题，从新的训练集中得到有效的分类信息。
在基于虚拟样本的单样本识别方法中，对图像进行矩阵分解是得到虚拟样本的一种有效方法，并且由于SVD算法和LU分解是经典矩阵分解方法，故有学者提出了基于SVD的单样本识别方法和基于LU分解的单样本人脸识别方法，这两种方法计算效率高，能从单样本中得到保存原有样本大部分特征信息的虚拟样本，并依据各自的虚拟样本得到各自的判别特征，由于这两种方法的矩阵分解方式不同，依据这两种方法分别对应的判别特征对同一测试样本进行识别时，识别结果可能出现差异，从而导致识别性能降低。
鉴于此，如何提供一种解决上述技术问题的单样本人脸识别方法、装置、设备及计算机可读存储介质是本领域技术人员目前需要解决的问题。
发明内容
本发明实施例的目的是提供一种单样本人脸识别方法、装置、设备及计算机可读存储介质，在使用过程中扩展了数据的求解范围，提高了识别率和识别性能。
为解决上述技术问题，本发明实施例提供了一种单样本人脸识别方法，包括：
S11：对待识别图像进行预处理，得到行列一致的待识别单样本Y；
S12：采用预先依据原始训练样本集计算出的SVD投影矩阵和LU投影矩阵分别对所述待识别单样本Y进行投影，分别得到第一判别特征YSVD和第二判别特征YLU；
S13：利用所述第一判别特征YSVD、所述第二判别特征YLU、第一计算关系式、预先依据所述原始训练样本集计算出的SVD权重vSVD、LU权重vLU、与所述原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出所述待识别单样本到各个所述原始单样本的距离；其中：
所述第一计算关系式为
Figure BDA0001539262340000021
其中，Dis(k)表示所述待识别样本Y到第k个原始单样本的距离，k∈[1,C]，C为原始训练样本集的类别数，
Figure BDA0001539262340000022
表示第k个SVD判别特征，
Figure BDA0001539262340000023
表示第k个LU判别特征，
Figure BDA0001539262340000024
表示YSVD与
Figure BDA0001539262340000025
之间的曼哈顿距离，
Figure BDA0001539262340000026
表示YLU与
Figure BDA0001539262340000027
之间的曼哈顿距离；
S14：采用最近邻分类器从各个所述距离中确定出所述待识别单样本距离最近的原始单样本，并依据所述原始单样本的类别确定所述待识别单样本的类别。
可选的，所述预先依据原始训练样本集计算出SVD投影矩阵、SVD权重vSVD、与所述原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征的过程为：
采用SVD分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的SVD虚拟样本，各个所述SVD虚拟样本构成SVD虚拟样本集；
依据所述SVD虚拟样本集和所述原始样本集构造出第一训练样本集；
对所述第一训练样本集进行2D-LDA降维矩阵的计算，得到所述SVD投影矩阵；
采用所述SVD投影矩阵对各个所述原始单样本进行投影得到与各个原始单样本一一对应的各个所述SVD判别特征，各个所述SVD判别特征构成SVD判别特征集合；
依据第二计算关系式计算出所述SVD判别特征集合的方差，并将所述SVD判别特征集合的方差作为所述SVD权重vSVD；其中，所述第二计算关系式为：
Figure BDA0001539262340000031
其中，
Figure BDA0001539262340000032
表示所述SVD判别特征集合的平均判别特征，
Figure BDA0001539262340000033
表示第k个SVD判别特征
Figure BDA0001539262340000034
与
Figure BDA0001539262340000035
之间的曼哈顿距离。
可选的，所述预先依据原始训练样本集计算出LU投影矩阵、LU权重vLU、与所述原始训练样本集中的各个原始训练样本一一对应的各个LU判别特征的过程为：
采用LU分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的LU虚拟样本，各个所述LU虚拟样本构成LU虚拟样本集；
依据所述LU虚拟样本集和所述原始样本集构造出第二训练样本集；
对所述第二训练样本集进行2D-LDA降维矩阵的计算，得到所述LU投影矩阵；
采用所述LU投影矩阵对各个所述原始单样本进行投影得到与各个原始单样本一一对应的各个所述LU判别特征，各个所述LU判别特征构成LU判别特征集合；
依据第三计算关系式计算出所述LU判别特征集合的方差，并将所述LU判别特征集合的方差作为所述LU权重vLU；其中，所述第三计算关系式为：
Figure BDA0001539262340000036
其中，
Figure BDA0001539262340000037
表示所述LU判别特征集合的平均判别特征，
Figure BDA0001539262340000038
表示第k个LU判别特征
Figure BDA0001539262340000039
与
Figure BDA00015392623400000310
之间的曼哈顿距离。
可选的，所述方法还包括：
将各个原始单样本进行转置，得到与各个所述原始单样本一一对应的转置单样本；
采用LU分解法对各个所述转置单样本进行分解处理，得到与各个所述转置单样本一一对应的各个转置虚拟单样本，各个所述转置虚拟单样本构成LU转置虚拟样本集；
所述依据所述LU虚拟样本集和所述原始样本集构造出第二训练样本集的过程为：
依据所述LU虚拟样本集、所述LU转置虚拟样本集和所述原始样本集构造出所述第二训练样本集。
本发明实施例相应的提供了一种单样本人脸识别装置，包括：
预处理模块，用于对待识别图像进行预处理，得到行列一致的待识别单样本Y；
特征提取模块，用于采用预先依据原始训练样本集计算出的SVD投影矩阵和LU投影矩阵分别对所述待识别单样本Y进行投影，分别得到第一判别特征YSVD和第二判别特征YLU；
距离计算模块，用于利用所述第一判别特征YSVD、所述第二判别特征YLU、第一计算关系式、预先依据所述原始训练样本集计算出的SVD权重vSVD、LU权重vLU、与所述原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出所述待识别单样本到各个所述原始单样本的距离；其中：
所述第一计算关系式为
Figure BDA0001539262340000041
其中，Dis(k)表示所述待识别样本Y到第k个原始单样本的距离，k∈[1,C]，C为原始训练样本集的类别数，
Figure BDA0001539262340000042
表示第k个SVD判别特征，
Figure BDA0001539262340000043
表示第k个LU判别特征，
Figure BDA0001539262340000044
表示YSVD与
Figure BDA0001539262340000045
之间的曼哈顿距离，
Figure BDA0001539262340000046
表示YLU与
Figure BDA0001539262340000047
之间的曼哈顿距离；
类别确定模块，用于采用最近邻分类器从各个所述距离中确定出所述待识别单样本距离最近的原始单样本，并依据所述原始单样本的类别确定所述待识别单样本的类别。
可选的，所述特征提取模块包括：
SVD分解单元，用于采用SVD分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的SVD虚拟样本，各个所述SVD虚拟样本构成SVD虚拟样本集；
第一构造单元，用于依据所述SVD虚拟样本集和所述原始样本集构造出第一训练样本集；
第一降维单元，用于对所述第一训练样本集进行2D-LDA降维矩阵的计算，得到所述SVD投影矩阵；
第一特征提取单元，用于采用所述SVD投影矩阵对各个所述原始单样本进行投影得到与各个原始单样本一一对应的各个所述SVD判别特征，各个所述SVD判别特征构成SVD判别特征集合；
第一计算单元，用于依据第二计算关系式计算出所述SVD判别特征集合的方差，并将所述SVD判别特征集合的方差作为所述SVD权重vSVD；其中，所述第二计算关系式为：
Figure BDA0001539262340000051
其中，
Figure BDA0001539262340000052
表示所述SVD判别特征集合的平均判别特征，
Figure BDA0001539262340000053
表示第k个SVD判别特征
Figure BDA0001539262340000054
与
Figure BDA0001539262340000055
之间的曼哈顿距离。
可选的，所述特征提取模块还包括：
LU分解单元，用于采用LU分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的LU虚拟样本，各个所述LU虚拟样本构成LU虚拟样本集；
第二构造单元，用于依据所述LU虚拟样本集和所述原始样本集构造出第二训练样本集；
第二降维单元，用于对所述第二训练样本集进行2D-LDA降维矩阵的计算，得到所述LU投影矩阵；
第二特征提取单元，用于采用所述LU投影矩阵对各个所述原始单样本进行投影得到与各个原始单样本一一对应的各个所述LU判别特征，各个所述LU判别特征构成LU判别特征集合；
第二计算单元，用于依据第三计算关系式计算出所述LU判别特征集合的方差，并将所述LU判别特征集合的方差作为所述LU权重vLU；其中，所述第三计算关系式为：
Figure BDA0001539262340000061
其中，
Figure BDA0001539262340000062
表示所述LU判别特征集合的平均判别特征，
Figure BDA0001539262340000063
表示第k个LU判别特征
Figure BDA0001539262340000064
与
Figure BDA0001539262340000065
之间的曼哈顿距离。
本发明实施例还提供了一种单样本人脸识别设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述单样本人脸识别方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述单样本人脸识别方法的步骤。
本发明实施例提供了一种单样本人脸识别方法、装置、设备及计算机可读存储介质，包括：对待识别图像进行预处理，得到行列一致的待识别单样本Y；采用预先计算出的SVD投影矩阵和LU投影矩阵分别对待识别单样本Y进行投影，分别得到第一判别特征YSVD和第二判别特征YLU；利用第一判别特征YSVD、第二判别特征YLU、第一计算关系式、预先依据原始训练样本集计算出的SVD权重vSVD、LU权重vLU、与原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出待识别单样本到各个原始单样本的距离；其中，第一计算关系式为
Figure BDA0001539262340000066
其中，Dis(k)表示待识别样本Y到第k个原始单样本的距离，k∈[1,C]，C为原始训练样本集的类别数，
Figure BDA0001539262340000067
表示第k个SVD判别特征，
Figure BDA0001539262340000068
表示第k个LU判别特征，
Figure BDA0001539262340000069
表示YSVD与
Figure BDA00015392623400000610
之间的曼哈顿距离，
Figure BDA00015392623400000611
表示YLU与
Figure BDA00015392623400000612
之间的曼哈顿距离；采用最近邻分类器从各个距离中确定出待识别单样本距离最近的原始单样本，并依据原始单样本的类别确定待识别单样本的类别。
本发明实施例中在通过SVD分割法计算出与各个原始训练样本一一对应的各个SVD判别特征后，还计算出了SVD判别特征集合的SVD权重vSVD，在通过LU分割法计算出与各个原始训练样本一一对应的各个LU判别特征后，还计算出了LU判别特征集合的LU权重vLU，从而将两个不同的子空间连接起来，提高扩展了数据的求解范围，从而在对待识别样本Y进行识别时，根据SVD权重vSVD和LU权重vLU计算出待识别样本Y与各个原始训练样本的距离，并采用最近邻分类器确定出待识别样本Y的类别，从而提高识别率和识别性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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单样本人脸识别方法的流程示意图；
图2为本发明实施例提供的一种单样本人脸识别装置的结构示意图。
具体实施方式
本发明实施例提供了一种单样本人脸识别方法、装置、设备及计算机可读存储介质，在使用过程中扩展了数据的求解范围，提高了识别率和识别性能。
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请参照图1，图1为本发明实施例提供的一种单样本人脸识别方法的流程示意图。
本发明实施例中的单样本人脸识别方法包括：
S11：对待识别图像进行预处理，得到行列一致的待识别单样本Y；
S12：采用预先依据原始训练样本集计算出的SVD投影矩阵和LU投影矩阵分别对待识别单样本Y进行投影，分别得到第一判别特征YSVD和第二判别特征YLU；
S13：利用第一判别特征YSVD、第二判别特征YLU、第一计算关系式、预先依据原始训练样本集计算出的SVD权重vSVD、LU权重vLU、与原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出待识别单样本到各个原始单样本的距离；其中：
第一计算关系式为
Figure BDA0001539262340000081
其中，Dis(k)表示待识别样本Y到第k个原始单样本的距离，k∈[1,C]，C为原始训练样本集的类别数，
Figure BDA0001539262340000082
表示第k个SVD判别特征，
Figure BDA0001539262340000083
表示第k个LU判别特征，
Figure BDA0001539262340000084
表示YSVD与
Figure BDA0001539262340000085
之间的曼哈顿距离，
Figure BDA0001539262340000086
表示YLU与
Figure BDA0001539262340000087
之间的曼哈顿距离；
S14：采用最近邻分类器从各个距离中确定出待识别单样本距离最近的原始单样本，并依据原始单样本的类别确定待识别单样本的类别。
需要说明的是，本发明实施例中在对待识别单样本进行识别之前需要预先依据原始训练样本集计算出SVD投影矩阵、LU投影矩阵、SVD权重vSVD、LU权重vLU以及原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征，然后再对待识别单样本进行识别。
具体的，可以从图像数据库中获取多个历史图像，这些历史图像组成单样本训练集I＝{I1,I2,…,IC}，其中，第k张图像Ik∈Rm×n，Rm×n表示m行n列的像素矩阵，m≥n，k＝1,2,…,C，C表示类别数。对单样本训练集中的各个单样本进行预处理，将每个单样本处理为行列一致的矩阵，从而得到原始训练样本集X＝{X1,X2,…,XC}，其中，第k张图像Xk∈Rn×n，第k张图像也表示第k个人。
在得到原始训练样本集后，依据原始训练样本集计算出SVD投影矩阵、SVD权重vSVD、与原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征的过程，具体可以为：
S21：采用SVD分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个原始单样本一一对应的SVD虚拟样本，各个SVD虚拟样本构成SVD虚拟样本集；
具体的，原始训练样本集X中包括C个原始单样本，其中，采用SVD分解法对第k个原始单样本进行分解后得到矩阵Uk和矩阵Vk，Uk和Vk均∈Rn×n，Uk和Vk分别是
Figure BDA0001539262340000091
和
Figure BDA0001539262340000092
的特征向量集。原始单样本Xk的SVD分解为
Figure BDA0001539262340000093
其中，
Figure BDA0001539262340000094
和
Figure BDA0001539262340000095
矩阵Uk和矩阵Vk的第i列，
Figure BDA0001539262340000096
为原始单样本Xk对应的奇异值，并且使
Figure BDA0001539262340000097
采用
Figure BDA0001539262340000098
最大的三个基础图像构造SVD虚拟样本
Figure BDA0001539262340000099
Figure BDA00015392623400000910
从而得到SVD虚拟样本集
Figure BDA00015392623400000911
S22：依据SVD虚拟样本集和原始样本集构造出第一训练样本集；
具体的，通过SVD虚拟样本集
Figure BDA00015392623400000912
和原始样本集X就可以构造出新的训练样本集，也即第一训练样本集，其中，第一训练样本集为
Figure BDA00015392623400000913
S23：对第一训练样本集进行2D-LDA降维矩阵的计算，得到SVD投影矩阵；
进一步的，对第一训练样本集ΘSVD进行2D-LDA降维矩阵的计算，得到SVD投影矩阵WSVD。
具体的，假设训练样本集A中有C个类，且第k类有Nk个样本，则类内离散矩阵Sw和类间离散矩阵Sb分别可以通过以下关系式计算：
Figure BDA00015392623400000914
其中，N为所有训练样本的数量，
Figure BDA00015392623400000915
为第k类的第j个样本，
Figure BDA00015392623400000916
为第k类的平均图像，
Figure BDA00015392623400000917
为所有样本的平均图像，则2D-LDA的投影矩阵W就是(Sw)-1Sb的特征向量构成的矩阵。
在本发明实施例中第一训练样本集ΘSVD即为训练样本集A，其中，N和Nk的具体数值可以根据实际情况进行确定。
S24：采用SVD投影矩阵对各个原始单样本进行投影得到与各个原始单样本一一对应的各个SVD判别特征，各个SVD判别特征构成SVD判别特征集合；
具体的，对原始单样本Xk使用SVD投影矩阵WSVD进行投影，就可以得到与Xk对应的SVD判别特征
Figure BDA0001539262340000101
其中，
Figure BDA0001539262340000102
k＝1,2,3,…C，从而即可得到SVD判别特征集合
Figure BDA0001539262340000103
S25:依据第二计算关系式计算出SVD判别特征集合ZSVD的方差，并将SVD判别特征集合ZSVD的方差作为SVD权重vSVD；其中，第二计算关系式为：
Figure BDA0001539262340000104
其中，
Figure BDA0001539262340000105
表示SVD判别特征集合的平均判别特征，
Figure BDA0001539262340000106
表示第k个SVD判别特征
Figure BDA0001539262340000107
与
Figure BDA0001539262340000108
之间的曼哈顿距离。其中，定义曼哈顿距离为
Figure BDA0001539262340000109
作为优选的，本申请中的预先依据原始训练样本集计算出LU投影矩阵、LU权重vLU、与原始训练样本集中的各个原始训练样本一一对应的各个LU判别特征的过程，具体可以为：
S31：采用LU分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个原始单样本一一对应的LU虚拟样本，各个LU虚拟样本构成LU虚拟样本集；
具体的，原始训练样本集X中包括C个原始单样本，其中，将第k个原始单样本Xk通过LU分解因式
Figure BDA00015392623400001010
进行分解，其中，Pk为原始训练样本集Xk分解后得到的置换索引矩阵，Pk T为置换索引矩阵Pk的转置矩阵，
Figure BDA00015392623400001011
为原始训练样本集Xk分解后得到的下三角矩阵Lk的第i列，Lk∈Rn×n，
Figure BDA00015392623400001012
为原始训练样本集Xk分解后得到的上三角矩阵Qk的第i行，Qk∈Rn×n。定义
Figure BDA00015392623400001013
为基础图像，n为基础图像数量。
根据基础图像的能量
Figure BDA00015392623400001014
大小，按照降序对基础图像重新排序，排序后的基础图像集可以表示为
Figure BDA00015392623400001015
其中，
Figure BDA00015392623400001016
i＝1,2,...,n，ti∈[1,2,...,n]。
具体的，第k个原始单样本Xk的LU虚拟样本
Figure BDA0001539262340000111
可以通过重新排序后的基础图像集Λ采用如下方式构造得到：
Figure BDA0001539262340000112
其中，p＜n，i＝1,2,...,n，p值的确定与能量函数有关，能量函数为第k个原始单样本Xk对应的前p个基础图像占Xk对应的所有基础图像的能量百分比，该能量百分比的具体定义如下：
Figure BDA0001539262340000113
其中，p＜n，i＝1,2,...,n，ti∈[1,2,...,n]。
为了保证较好的识别效果和稳定性，本发明实施例中可以选取92％作为EFk的阈值，从而可以确定出参数p的值，进而可以得到第k个原始单样本Xk对应的LU虚拟图像
Figure BDA0001539262340000114
各个LU虚拟样本构成LU虚拟样本集
Figure BDA0001539262340000115
Figure BDA0001539262340000116
S32：依据LU虚拟样本集和原始样本集构造出第二训练样本集；
需要说明的是，本发明实施例可以通过LU虚拟样本集
Figure BDA0001539262340000117
和原始样本集X构造出第二训练样本集ΘLU，其中，
Figure BDA0001539262340000118
S33：对第二训练样本集进行2D-LDA降维矩阵的计算，得到LU投影矩阵；
进一步的，对第二训练样本集ΘLU进行2D-LDA降维矩阵的计算，得到LU投影矩阵WLU。具体的，可以依据上述S23中的方法计算LU投影矩阵WLU，此时，第二训练样本集ΘLU即为上述训练样本集A，具体计算过程本申请在此不再赘述。
S34：采用LU投影矩阵对各个原始单样本进行投影得到与各个原始单样本一一对应的各个LU判别特征，各个LU判别特征构成LU判别特征集合；
具体的，对原始单样本Xk使用LU投影矩阵WLU进行投影，就可以得到与Xk对应的LU判别特征
Figure BDA0001539262340000119
其中，
Figure BDA00015392623400001110
k＝1,2,3,…C，从而即可得到LU判别特征集合
Figure BDA0001539262340000121
S35：依据第三计算关系式计算出LU判别特征集合的方差，并将LU判别特征集合的方差作为LU权重vLU；其中，第三计算关系式为：
Figure BDA0001539262340000122
其中，
Figure BDA0001539262340000123
表示LU判别特征集合的平均判别特征，
Figure BDA0001539262340000124
表示第k个LU判别特征
Figure BDA0001539262340000125
与
Figure BDA0001539262340000126
之间的曼哈顿距离，其中，定义曼哈顿距离为
Figure BDA0001539262340000127
进一步的，该方法还包括：
将各个原始单样本进行转置，得到与各个原始单样本一一对应的转置单样本；
采用LU分解法对各个转置单样本进行分解处理，得到与各个转置单样本一一对应的各个转置虚拟单样本，各个转置虚拟单样本构成LU转置虚拟样本集；
依据LU虚拟样本集和原始样本集构造出第二训练样本集的过程为：
依据LU虚拟样本集、LU转置虚拟样本集和原始样本集构造出第二训练样本集。
需要说明的是，为了进一步扩大第二训练样本集的样本数量，以扩大搜索范围，在依据各个原始单样本得到与各个原始单样本一一对应的LU虚拟图像后，还可以采用同样的方法计算出与各个转置单样本一一对应的转置虚拟单样本，进而得到LU转置虚拟样本集。
具体的，对第k个原始单样本Xk转置得到相应的转置矩阵
Figure BDA0001539262340000128
k＝1,2,3,…C，进而得到LU转置虚拟样本集
Figure BDA0001539262340000129
其中，
Figure BDA00015392623400001210
再根据
Figure BDA00015392623400001211
即可构造出新的训练样本集，也即得到第二训练样本集，然后对本发明实施例中的第二训练样本集进行2D-LDA降维矩阵的计算，得到LU投影矩阵WLU。
还需要说明的是，对于从原始训练样本集合中得到的基于SVD的SVD判别特征集合
Figure BDA0001539262340000131
和基于LU的LU判别特征集合
Figure BDA0001539262340000132
由于无法保证两种方法得到的判别特征集合的质量，所以采用方差加权的办法来提高算法的识别性能。
可以理解的是，在计算出基于SVD的SVD判别特征集合
Figure BDA0001539262340000133
的权重vSVD和基于LU的LU判别特征集合
Figure BDA0001539262340000134
的权重vLU之后，即可用于对待识别单样本的识别。
具体的，在对待识别单样本进行识别时，先获取待识别样本集Ytest，Ytest∈Rm×n，Rm ×n表示m行n列的像素矩阵，再对待识别样本集进行预处理，将其处理为行列一致的矩阵Y(即待识别单样本Y)，Y∈Rn×n。再采用预先依据原始训练样本集X计算出的SVD投影矩阵WSVD和LU投影矩阵WLU分别对待识别单样本Y进行投影，分别得到第一判别特征YSVD和第二判别特征YLU，其中，YSVD＝Y×WSVD，
Figure BDA0001539262340000135
利用第一计算关系式
Figure BDA0001539262340000136
计算出待识别单样本Y到第k个原始单样本Xk的距离，k＝1,2,3,…C，也即计算出待识别单样本Y到各个原始单样本的距离，得到C个距离，然后再采用最近邻分类器从各个距离中确定出待识别单样本距离最近的原始单样本，并依据原始单样本的类别确定待识别单样本的类别。
本发明实施例提供了一种单样本人脸识别方法，在通过SVD分割法计算出与各个原始训练样本一一对应的各个SVD判别特征后，还计算出了SVD判别特征集合的SVD权重vSVD，在通过LU分割法计算出与各个原始训练样本一一对应的各个LU判别特征后，还计算出了LU判别特征集合的LU权重vLU，从而将两个不同的子空间连接起来，提高扩展了数据的求解范围，从而在对待识别样本Y进行识别时，根据SVD权重vSVD和LU权重vLU计算出待识别样本Y与各个原始训练样本的距离，并采用最近邻分类器确定出待识别样本Y的类别，从而提高识别率和识别性能。
在上述实施例的基础上，本发明实施例还公开了一种单样本人脸识别装置，具体请参照图2。该装置，包括：
预处理模块1，用于对待识别图像进行预处理，得到行列一致的待识别单样本Y；
特征提取模块2，用于采用预先依据原始训练样本集计算出的SVD投影矩阵和LU投影矩阵分别对待识别单样本Y进行投影，分别得到第一判别特征YSVD和第二判别特征YLU；
距离计算模块3，用于利用第一判别特征YSVD、第二判别特征YLU、第一计算关系式、预先依据原始训练样本集计算出的SVD权重vSVD、LU权重vLU、与原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出待识别单样本到各个原始单样本的距离；其中：
第一计算关系式为
Figure BDA0001539262340000141
其中，Dis(k)表示待识别样本Y到第k个原始单样本的距离，k∈[1,C]，C为原始训练样本集的类别数，
Figure BDA0001539262340000142
表示第k个SVD判别特征，
Figure BDA0001539262340000143
表示第k个LU判别特征，
Figure BDA0001539262340000144
表示YSVD与
Figure BDA0001539262340000145
之间的曼哈顿距离，
Figure BDA0001539262340000146
表示YLU与
Figure BDA0001539262340000147
之间的曼哈顿距离；
类别确定模块4，用于采用最近邻分类器从各个距离中确定出待识别单样本距离最近的原始单样本，并依据原始单样本的类别确定待识别单样本的类别。
作为优选的实施例，特征提取模块2包括：
SVD分解单元，用于采用SVD分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个原始单样本一一对应的SVD虚拟样本，各个SVD虚拟样本构成SVD虚拟样本集；
第一构造单元，用于依据SVD虚拟样本集和原始样本集构造出第一训练样本集；
第一降维单元，用于对第一训练样本集进行2D-LDA降维矩阵的计算，得到SVD投影矩阵；
第一特征提取单元，用于采用SVD投影矩阵对各个原始单样本进行投影得到与各个原始单样本一一对应的各个SVD判别特征，各个SVD判别特征构成SVD判别特征集合；
第一计算单元，用于依据第二计算关系式计算出SVD判别特征集合的方差，并将SVD判别特征集合的方差作为SVD权重vSVD；其中，第二计算关系式为：
Figure BDA0001539262340000151
其中，
Figure BDA0001539262340000152
表示SVD判别特征集合的平均判别特征，
Figure BDA0001539262340000153
表示第k个SVD判别特征
Figure BDA0001539262340000154
与
Figure BDA0001539262340000155
之间的曼哈顿距离。
作为优选的实施例，特征提取模块2还包括：
LU分解单元，用于采用LU分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个原始单样本一一对应的LU虚拟样本，各个LU虚拟样本构成LU虚拟样本集；
第二构造单元，用于依据LU虚拟样本集和原始样本集构造出第二训练样本集；
第二降维单元，用于对第二训练样本集进行2D-LDA降维矩阵的计算，得到LU投影矩阵；
第二特征提取单元，用于采用LU投影矩阵对各个原始单样本进行投影得到与各个原始单样本一一对应的各个LU判别特征，各个LU判别特征构成LU判别特征集合；
第二计算单元，用于依据第三计算关系式计算出LU判别特征集合的方差，并将LU判别特征集合的方差作为LU权重YLU；其中，第三计算关系式为：
Figure BDA0001539262340000156
其中，
Figure BDA0001539262340000157
表示LU判别特征集合的平均判别特征，
Figure BDA0001539262340000158
表示第k个LU判别特征
Figure BDA0001539262340000159
与
Figure BDA00015392623400001510
之间的曼哈顿距离。
需要说明的是，本发明实施例所提供的单样本人脸识别装置具有与上述实施例中的单样本人脸方法相同的有益效果，并且对于本发明实施例中涉及到的单样本人脸识别方法的具体介绍请参照上述实施例，本申请在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了一种单样本人脸识别设备，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时实现如上述单样本人脸识别方法的步骤。
需要说明的是，本发明实施例具有与上述实施例中的单样本人脸方法相同的有益效果，并且对于本发明实施例中涉及到的单样本人脸识别方法的具体介绍请参照上述实施例，本申请在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述单样本人脸识别方法的步骤。
需要说明的是，本发明实施例具有与上述实施例中的单样本人脸方法相同的有益效果，并且对于本发明实施例中涉及到的单样本人脸识别方法的具体介绍请参照上述实施例，本申请在此不再赘述。
还需要说明的是，在本说明书中，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种单样本人脸识别方法，其特征在于，包括：
S11：对待识别图像进行预处理，得到行列一致的待识别单样本Y；
S12：采用依据原始训练样本集预先计算出的SVD投影矩阵和LU投影矩阵分别对所述待识别单样本Y进行投影，分别得到第一判别特征YSVD和第二判别特征YLU；
S13：利用所述第一判别特征YSVD、所述第二判别特征YLU、第一计算关系式、预先依据所述原始训练样本集计算出的SVD权重vSVD、LU权重vLU、与所述原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出所述待识别单样本到各个原始单样本的距离；其中：
所述第一计算关系式为
Figure FDA0003166455860000011
其中，Dis(k)表示所述待识别单样本Y到第k个原始单样本的距离，k∈[1,C]，C为原始训练样本集的类别数，
Figure FDA0003166455860000012
表示第k个SVD判别特征，
Figure FDA0003166455860000013
表示第k个LU判别特征，
Figure FDA0003166455860000014
表示YSVD与
Figure FDA0003166455860000015
之间的曼哈顿距离，
Figure FDA0003166455860000016
表示YLU与
Figure FDA0003166455860000017
之间的曼哈顿距离；
S14：采用最近邻分类器从各个所述距离中确定出所述待识别单样本距离最近的原始单样本，并依据所述原始单样本的类别确定所述待识别单样本的类别；
所述预先依据原始训练样本集计算出SVD投影矩阵、LU投影矩阵，包括：
采用SVD分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的SVD虚拟样本，各个所述SVD虚拟样本构成SVD虚拟样本集；
依据所述SVD虚拟样本集和原始样本集构造出第一训练样本集；
对所述第一训练样本集进行2D-LDA降维矩阵的计算，得到所述SVD投影矩阵；
采用LU分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的LU虚拟样本，各个所述LU虚拟样本构成LU虚拟样本集；
依据所述LU虚拟样本集和所述原始样本集构造出第二训练样本集；
对所述第二训练样本集进行2D-LDA降维矩阵的计算，得到所述LU投影矩阵。
2.根据权利要求1所述的单样本人脸识别方法，其特征在于，所述预先依据原始训练样本集计算出SVD权重vSVD、与所述原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征的过程为：
采用所述SVD投影矩阵对各个所述原始单样本进行投影得到与各个原始单样本一一对应的各个所述SVD判别特征，各个所述SVD判别特征构成SVD判别特征集合；
依据第二计算关系式计算出所述SVD判别特征集合的方差，并将所述SVD判别特征集合的方差作为所述SVD权重vSVD；其中，所述第二计算关系式为：
Figure FDA0003166455860000021
其中，
Figure FDA0003166455860000022
表示所述SVD判别特征集合的平均判别特征，
Figure FDA0003166455860000023
表示第k个SVD判别特征
Figure FDA0003166455860000024
与
Figure FDA0003166455860000025
之间的曼哈顿距离。
3.根据权利要求2所述的单样本人脸识别方法，其特征在于，所述预先依据原始训练样本集计算出LU权重vLU、与所述原始训练样本集中的各个原始训练样本一一对应的各个LU判别特征的过程为：
采用所述LU投影矩阵对各个所述原始单样本进行投影得到与各个原始单样本一一对应的各个所述LU判别特征，各个所述LU判别特征构成LU判别特征集合；
依据第三计算关系式计算出所述LU判别特征集合的方差，并将所述LU判别特征集合的方差作为所述LU权重vLU；其中，所述第三计算关系式为：
Figure FDA0003166455860000026
其中，
Figure FDA0003166455860000027
表示所述LU判别特征集合的平均判别特征，
Figure FDA0003166455860000028
表示第k个LU判别特征
Figure FDA0003166455860000029
与
Figure FDA00031664558600000210
之间的曼哈顿距离。
4.根据权利要求3所述的单样本人脸识别方法，其特征在于，所述方法还包括：
将各个原始单样本进行转置，得到与各个所述原始单样本一一对应的转置单样本；
采用LU分解法对各个所述转置单样本进行分解处理，得到与各个所述转置单样本一一对应的各个转置虚拟单样本，各个所述转置虚拟单样本构成LU转置虚拟样本集；
所述依据所述LU虚拟样本集和所述原始样本集构造出第二训练样本集的过程为：
依据所述LU虚拟样本集、所述LU转置虚拟样本集和所述原始样本集构造出所述第二训练样本集。
5.一种单样本人脸识别装置，其特征在于，包括：
预处理模块，用于对待识别图像进行预处理，得到行列一致的待识别单样本Y；
特征提取模块，用于采用依据原始训练样本集预先计算出的SVD投影矩阵和LU投影矩阵分别对所述待识别单样本Y进行投影，分别得到第一判别特征YSVD和第二判别特征YLU，所述预先依据原始训练样本集计算出SVD投影矩阵、LU投影矩阵，包括：
采用SVD分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的SVD虚拟样本，各个所述SVD虚拟样本构成SVD虚拟样本集；
依据所述SVD虚拟样本集和原始样本集构造出第一训练样本集；
对所述第一训练样本集进行2D-LDA降维矩阵的计算，得到所述SVD投影矩阵；
采用LU分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的LU虚拟样本，各个所述LU虚拟样本构成LU虚拟样本集；
依据所述LU虚拟样本集和所述原始样本集构造出第二训练样本集；
对所述第二训练样本集进行2D-LDA降维矩阵的计算，得到所述LU投影矩阵；
距离计算模块，用于利用所述第一判别特征YSVD、所述第二判别特征YLU、第一计算关系式、预先依据所述原始训练样本集计算出的SVD权重vSVD、LU权重vLU、与所述原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出所述待识别单样本到各个所述原始单样本的距离；其中：
所述第一计算关系式为
Figure FDA0003166455860000041
其中，Dis(k)表示所述待识别样本Y到第k个原始单样本的距离，k∈[1,C]，C为原始训练样本集的类别数，
Figure FDA0003166455860000042
表示第k个SVD判别特征，
Figure FDA0003166455860000043
表示第k个LU判别特征，
Figure FDA0003166455860000044
表示YSVD与
Figure FDA0003166455860000045
之间的曼哈顿距离，
Figure FDA0003166455860000046
表示YLU与
Figure FDA0003166455860000047
之间的曼哈顿距离；
类别确定模块，用于采用最近邻分类器从各个所述距离中确定出所述待识别单样本距离最近的原始单样本，并依据所述原始单样本的类别确定所述待识别单样本的类别。
6.根据权利要求5所述的单样本人脸识别装置，其特征在于，所述特征提取模块包括：
SVD分解单元，用于采用SVD分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的SVD虚拟样本，各个所述SVD虚拟样本构成SVD虚拟样本集；
第一构造单元，用于依据所述SVD虚拟样本集和所述原始样本集构造出第一训练样本集；
第一降维单元，用于对所述第一训练样本集进行2D-LDA降维矩阵的计算，得到所述SVD投影矩阵；
第一特征提取单元，用于采用所述SVD投影矩阵对各个所述原始单样本进行投影得到与各个原始单样本一一对应的各个所述SVD判别特征，各个所述SVD判别特征构成SVD判别特征集合；
第一计算单元，用于依据第二计算关系式计算出所述SVD判别特征集合的方差，并将所述SVD判别特征集合的方差作为所述SVD权重vSVD；其中，所述第二计算关系式为：
Figure FDA0003166455860000051
其中，
Figure FDA0003166455860000052
表示所述SVD判别特征集合的平均判别特征，
Figure FDA0003166455860000053
表示第k个SVD判别特征
Figure FDA0003166455860000054
与
Figure FDA0003166455860000055
之间的曼哈顿距离。
7.根据权利要求6所述的单样本人脸识别装置，其特征在于，所述特征提取模块还包括：
LU分解单元，用于采用LU分解法对原始训练样本集中的各个原始单样本进行分解处理，得到与各个所述原始单样本一一对应的LU虚拟样本，各个所述LU虚拟样本构成LU虚拟样本集；
第二构造单元，用于依据所述LU虚拟样本集和所述原始样本集构造出第二训练样本集；
第二降维单元，用于对所述第二训练样本集进行2D-LDA降维矩阵的计算，得到所述LU投影矩阵；
第二特征提取单元，用于采用所述LU投影矩阵对各个所述原始单样本进行投影得到与各个原始单样本一一对应的各个所述LU判别特征，各个所述LU判别特征构成LU判别特征集合；
第二计算单元，用于依据第三计算关系式计算出所述LU判别特征集合的方差，并将所述LU判别特征集合的方差作为所述LU权重vLU；其中，所述第三计算关系式为：
Figure FDA0003166455860000056
其中，
Figure FDA0003166455860000057
表示所述LU判别特征集合的平均判别特征，
Figure FDA0003166455860000058
表示第k个LU判别特征
Figure FDA0003166455860000059
与
Figure FDA00031664558600000510
之间的曼哈顿距离。
8.一种单样本人脸识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任意一项所述单样本人脸识别方法的步骤。
9.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述单样本人脸识别方法的步骤。
CN201810007877.1A 2018-01-04 2018-01-04 单样本人脸识别方法、装置、设备及计算机可读存储介质 Active CN107958241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810007877.1A CN107958241B (zh) 2018-01-04 2018-01-04 单样本人脸识别方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810007877.1A CN107958241B (zh) 2018-01-04 2018-01-04 单样本人脸识别方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN107958241A CN107958241A (zh) 2018-04-24
CN107958241B true CN107958241B (zh) 2021-09-21

Family

ID=61957204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810007877.1A Active CN107958241B (zh) 2018-01-04 2018-01-04 单样本人脸识别方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN107958241B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764489B (zh) * 2018-06-05 2021-02-02 北京百度网讯科技有限公司 基于虚拟样本的模型训练方法及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254166A (zh) * 2011-08-15 2011-11-23 无锡中星微电子有限公司 一种人脸识别方法
CN103488744A (zh) * 2013-09-22 2014-01-01 华南理工大学 一种大数据图像分类方法
CN104616000A (zh) * 2015-02-27 2015-05-13 苏州大学 一种人脸识别方法和装置
CN104966075A (zh) * 2015-07-16 2015-10-07 苏州大学 一种基于二维判别特征的人脸识别方法与系统
CN105893952A (zh) * 2015-12-03 2016-08-24 无锡度维智慧城市科技股份有限公司 基于pca方法的手写签名识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110025834A1 (en) * 2009-07-31 2011-02-03 Samsung Electronics Co., Ltd. Method and apparatus of identifying human body posture

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254166A (zh) * 2011-08-15 2011-11-23 无锡中星微电子有限公司 一种人脸识别方法
CN103488744A (zh) * 2013-09-22 2014-01-01 华南理工大学 一种大数据图像分类方法
CN104616000A (zh) * 2015-02-27 2015-05-13 苏州大学 一种人脸识别方法和装置
CN104966075A (zh) * 2015-07-16 2015-10-07 苏州大学 一种基于二维判别特征的人脸识别方法与系统
CN105893952A (zh) * 2015-12-03 2016-08-24 无锡度维智慧城市科技股份有限公司 基于pca方法的手写签名识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Face feature extraction based on reduced-dimension matrix of DCT and projection of block covariance matrix;Xianghua Hou，and etc;《Proceedings of 2011 International Conference on Electronic & Mechanical Engineering and Information Technology》;20110919;第4646-4648页 *
SVD与LDA相结合的人脸特征提取方法;郭志强等;《计算机工程与设计》;20100122;第30卷(第22期);第5133-5135页 *

Also Published As

Publication number Publication date
CN107958241A (zh) 2018-04-24

Similar Documents

Publication Publication Date Title
JP6192010B2 (ja) 重み設定装置および方法
CN109299741B (zh) 一种基于多层检测的网络攻击类型识别方法
CN105138972A (zh) 人脸认证方法和装置
CN101930549B (zh) 基于第二代曲线波变换的静态人体检测方法
Wu et al. Heterogeneous feature selection by group lasso with logistic regression
CN108805054A (zh) 一种人脸图像分类方法、系统、设备及计算机存储介质
Sisodia et al. ISVM for face recognition
CN104966075A (zh) 一种基于二维判别特征的人脸识别方法与系统
CN103714340A (zh) 基于图像分块的自适应特征提取方法
CN107958241B (zh) 单样本人脸识别方法、装置、设备及计算机可读存储介质
CN109582946B (zh) 文字区域排版方向的确定方法及装置
CN101877065A (zh) 小样本条件下的人脸图像非线性鉴别特征抽取和识别方法
CN106909944B (zh) 一种人脸图片聚类的方法
CN113673465A (zh) 图像检测方法、装置、设备及可读存储介质
CN110287973B (zh) 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法
CN103049570B (zh) 基于相关保持映射和一分类器的图像视频搜索排序方法
CN104361337A (zh) 计算和存储空间受限下的稀疏核主成分分析方法
Tian et al. Support vector machine with mixture of kernels for image classification
Zhu et al. Image Classification by Hierarchical Spatial Pooling with Partial Least Squares Analysis.
CN111723206A (zh) 文本分类方法、装置、计算机设备和存储介质
CN107169505A (zh) 一种基于核统计不相关的多视图的图像分类方法
CN114187638A (zh) 一种基于空间分布损失函数的真实环境下的人脸表情识别方法
CN106874920A (zh) 基于小波包分析和支持向量机的车牌字符识别方法
CN112819041A (zh) 一种基于电力大数据平台的数据处理方法及系统
CN111126444A (zh) 分类器集成方法

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