CN108875459A - 一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统 - Google Patents
一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统 Download PDFInfo
- Publication number
- CN108875459A CN108875459A CN201710340867.5A CN201710340867A CN108875459A CN 108875459 A CN108875459 A CN 108875459A CN 201710340867 A CN201710340867 A CN 201710340867A CN 108875459 A CN108875459 A CN 108875459A
- Authority
- CN
- China
- Prior art keywords
- sample
- test sample
- training sample
- sparse coefficient
- sparse
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 230000001815 facial effect Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000003780 insertion Methods 0.000 claims description 2
- 230000037431 insertion Effects 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 121
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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)
- Computer Vision & Pattern Recognition (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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稀疏系数相似的加权稀疏表示人脸识别方法,包括以下步骤:对人脸训练样本图像和测试样本进行预处理,构造训练样本矩阵,将每个训练样本与测试样本列向量的欧氏距离负指数函数映射值定义为权值,构造权重矩阵,求所有训练样本和测试样本的稀疏系数,根据训练样本与测试样本稀疏系数间的相似性,通过余弦相似性选取K个与测试样本邻近的样本组成邻近样本矩阵,采用L1范数最小二乘法求解测试样本的稀疏系数,然后重构测试样本残差来实现分类。本发明方法及系统利用训练样本数据的局部性和稀疏性,使得识别算法更加稳定,避免过多选择其它类别样本,提高测试样本分类的准确率。根据本发明,进行人脸识别,具有较好的市场前景。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统。
背景技术
人脸识别技术作为生物识别领域中一种基于生理特征的识别技术,是以通过计算机提取人脸的特征,并根据这些特征进行身份验证的一种技术。人脸与指纹、虹膜、声音等一样与生俱来,它们所具有的唯一性和不容易被复制的良好特性为身份鉴别提供了必要的前提;同其他的生物识别技术相比,人脸识别技术具有操作简单、结果直观、隐蔽性好、避免直接接触的优越性。因此,人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。
人脸识别的研究发展,从早在1888年和1910年就分别在Nature杂志发表了两篇关于利用人脸进行身份识别的文章到如今已经取得了很多大研究成果,可以分为以下五大类:基于几何特征的人脸识别算法,基于特征子空间(特征脸)的人脸识别算法,基于模板匹配的人脸识别算法,基于隐马尔可夫模型的人脸识别,基于神经网络的人脸识别算法。随着压缩感知理论和L1范数最有求解的发展,近年来稀疏表示受到国内外学者广泛的关注。2009年,John Wright等人成功的将稀疏表示应用到了人脸识别领域,取得了较好的识别效果,很好的解决了人脸图像受噪声干扰和遮挡情况下识别率低的难题。
SRC算法采用训练样本的线性组合来表示测试样本,通过L1范数求得稀疏系数,最后通过重构最小误差来判断测试样本所属类别。基于稀疏表示的识别算法有较强鲁棒性及有效性,给噪声、光照、遮挡条件下的人脸识别提供了新的方案,但其计算量大,从而限制了算法的效率。维数简约法是缓解该问题的一种有效办法,重构所有的训练样本又不能破坏同类样本之间的关联,因为数据的局部性比稀疏性更重要。稀疏表示分类器SRC只考虑了数据的线性关系,而没有使用数据的局部性从而导致结果不稳定。施耀等在基于稀疏表示的人脸识别算法研究中提到,使用加权稀疏表示很好的把数据的局部结构和线性关系结合在一起,算法的鲁棒性更加稳定。减少运算可以通过减少训练样本数据来实现,尹贺峰、宋晓宁等在稀疏相似性度量的模糊鉴别分析方法的研究中,旨在针对样本稀疏系数之间的相似性来选择部分样本,但没有解决局部样本之间的相关性,无法保证方法的稳定。
针对以上问题,本发明在利用训练样本同类别局部之间的特征,以及测试样本和训练样本之间的相似性来选择部分训练样本,改善了算法的鲁棒性,同时提高了算法的效率和准确性。
发明内容
本发明的目的是针对现有技术中存在的不足,提供一种基于稀疏系数相似的加权稀疏表示人脸识别方法,该方法利用训练样本同类别局部之间的特征,以及测试样本和训练样本之间的相似性来解决现有算法稳定性差、运算量大、局部特征关联不够紧密的问题。
为了解决上述技术问题,本发明的技术方案如下:
一种基于稀疏系数相似的加权稀疏表示人脸识别方法,包括样本字典构造、邻近类选择、构造权重矩阵、图像分类识别过程,包括以下步骤:
(1)在人脸识别系统中,假设训练人脸数据库A中有C个类别,每类有ni个像素为m×n大小的训练样本,其中ni为第i类训练人脸图像的个数,通过图像预处理将这ni个样本数据变为成列向量,即l=m×n为训练样本列向量维数,一共有N个人脸训练样本,即得到训练样本矩阵A=[A1,A2,...,AC],假设测试样本y∈Ai类,且y能被A线性表示为y=Ax,对获取的人脸训练样本和测试样本y进行图像预处理;
(2)通过l1范式分别求出各个训练样本和测试样本y在矩阵A上的稀疏系数x1,x2,...,xN,xy,其中x1,x2,...,xN为每个训练样本的稀疏表示系数特征向量,xy为测试样本稀疏系数的特征向量,利用测试样本y的稀疏系数和每个训练样本稀疏系数之间的相似性,根据相似度量值的排序从训练样本中选择出k个与测试样本邻近的邻近样本;
(3)将训练样本数据的线性关系和局部关系结合起来,为每个邻近训练样本定义权值qi,j,通过公式转化,使得更多的训练样本的权值为0或者接近于0,然后将所有权值构造权重矩阵Q;
(4)采用l1范式最小二乘问题,结合邻近样本矩阵再次求解优化后的测试样本y的特征向量,即稀疏表示的稀疏系数,然后得到重构样本计算重构误差,最小误差的对应的分类结果就是所识别人脸图像。
进一步地,所述步骤(2)邻近类选择描述如下:
1)对每个训练样本和测试样本求解l1范式最小化下的稀疏系数s.t.||y-Ax||1≤ξ,ξ≥0是可以接受的误差,依次为训练样本和测试样本的稀疏系数;
2)计算每个训练样本稀疏系数与测试样本稀疏系数之间的余弦相似度其中
3)对所有相似度量依次从大到小排序,度量值越大的训练样本与测试样本越相似,差异也就越小,取前k个度量值最大所对应的训练样本类作为临近训练样本AN(y)∈·Rl ×k。
进一步地,所述的步骤(3)中的构造权重矩阵中公式转化采用负指数函数变换描述如下:
1)第i类第i个训练样本与测试样本的权值表示为:qi,j=f(y,ai,j);
2)f(y,ai,j)表示为y、ai,j的负指数函数为τ为y、ai,j的欧氏距离的数学期望,权值qi,j负指数函数表示能使稀疏系数中出现更多的0或者更多接近于0的稀疏,且f(y,ai,j)∈(0,1],也就是距离测试样本越近的训练样本得到的权值越大,权值接近0的数目进一步增多,特征向量越稀疏;
3)构造权重矩阵Q,Q是一个块对角矩阵,diag(Q)是一个对角化矩阵,其对角线上元素为测试样本与每类训练样本的权值qi,j,diag(Q)=[q1,1,q1,2...qi,k]T。
进一步地,所述的步骤(4)中的图像分类识别描述如下:
1)求解的目标函数为优化后的l1范式最小二乘式,求解得到稀疏系数,其中正则化参数λ为正数,构造向量δi(x)∈Rn,有x中对应于第i类的邻训练样本元素保留,其余全为0;
2)通过δi(x)对测试样本重构表示为计算测试样本和重构样本之间的误差最小误差对应的类别即为测试样本所属的类别。
本发明的有益效果和优点在于:
本发明利用训练样本数据的局部性,构造训练样本的权重矩阵,进一步将数据的局部结构和线性相关结合起来,使得识别算法更加强健稳定。训练样本字典维数较大,求解测试样本稀疏系数分解会变得困难,样本之间的相似性反映了稀疏系数的相似,利用稀疏系数之间的相似性选择部分邻近训练样本,用选择的邻近训练样本对测试样本进行稀疏分解,相比现有的技术分解效率得到提升,本算法在样本图像在光照和姿态变化条件下的识别鲁棒性更强,同时也提高了稀疏系数的求解效率与人脸识别率。
本发明还提供了一种基于嵌入式的人脸图像识别装置,整个装置由人脸图像采集器和系统识别平台构成,具体有数据存储器、程序存储器、嵌入式微处理器、触摸屏、LED显示屏、USB控制器接口、图像传感器模块组成,其特征在于,该人脸图像识别装置是一个嵌入式系统,嵌入式微处理器分别与数据存储器、程序存储器、触摸屏、LED显示屏、USB控制器接口、图像传感器模块相连接;
数据存储器,用于存储嵌入式微处理器人脸图像识别过程中的各种数据;
程序存储器,用于存储嵌入式微处理器人脸图像识别过程中的基本程序;
嵌入式微处理器,用于统一协调处理各器件之间的相互关系,进行信息交换,同时处理人脸图像识别信息,进行人脸图像识别过程中特征信息的提取,采用基于稀疏系数相似的加权稀疏方法进行人脸图像识别;
触摸屏,用于嵌入式微处理器人脸图像识别过程中的人工操作界面;
LED显示屏,用于嵌入式微处理器人脸图像识别过程中界面显示;
USB控制器接口电路,用于将采集的人脸图像信息和人脸图像处理信息在嵌入式微处理器和人脸图像采集器之间传递;
图像传感器,用于采集人脸图像信息。
系统通过人脸图像传感器采集、传送人脸图像信息,利用USB接口将采集到的人脸图像信息传送到嵌入式微处理器,通过嵌入式微处理器进行图像处理,在处理过程中数据存储器存储人脸图像识别处理过程中的各种数据,程序存储器存储人脸图像识别过程中的基本程序,LED显示屏显示人脸图像识别过程中各种处理结果,利用触摸屏完成人脸图像识别过程中的各种人工操作,整个系统进行有机的结合完成系统的人脸图像识别过程。
通过结合以下附图,阅读本发明实施方式的详细描述后,本发明的其他特征、特点和优点将会变得更加清楚。
附图说明
图1是本发明一种基于稀疏系数相似的加权稀疏表示人脸识别方法的流程图。
图2是Yale B人脸数据库部分人脸图像。
图3示意性示出一种基于嵌入式的人脸图像识别系统装置,图1一种基于稀疏系数相似的加权稀疏表示人脸识别过程可在该系统装置中实现。
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细说明。
图1是本发明一种基于稀疏系数相似的加权稀疏表示人脸识别方法的流程图。
本发明方法的具体实施步骤如图1所示,一种基于稀疏系数相似的加权稀疏表示人脸识别方法,包括样本字典构造、邻近类选择、构造权重矩阵、图像分类识别过程,包括以下步骤:
在步骤101,初始化人脸识别系统;
在步骤102,假设训练人脸数据库A中有C个类别,每类有ni个像素为m×n大小的训练样本,其中ni为第i类训练人脸图像的个数,通过图像预处理将这ni个样本数据变为成列向量,即l=m×n为训练样本列向量维数,一共有N个人脸训练样本,即得到训练样本矩阵A=[A1,A2,...AC],假设测试样本y∈Ai类,且y能被A线性表示为y=Ax,即y=xi,1ai,1+xi,2ai,2+...+xi,nai,n,其中x为稀疏系数与第i类对应的系数非零,而其他系数均为零,内容如下x=[0,0,...xi,1,xi,2,...xi,n,0,0,...0]T,xi,j∈R,j=1,2,3...n;
在步骤103,对获取的人脸训练样本A和测试样本y进行图像预处理;
在步骤104,通过l1范式分别求出各个训练样本和测试样本y在矩阵A上的稀疏系数x1,x2,...,xN,xy,其中x1,x2,...,xN为每个训练样本的稀疏表示系数特征向量,xy为测试样本稀疏系数的特征向量;
在步骤105,用测试样本y的稀疏系数和每个训练样本稀疏系数之间的相似性,根据相似度量值的排序从训练样本中选择出k个与测试样本邻近的邻近样本;
在步骤106,将训练样本数据的线性关系和局部关系结合起来,为每个邻近训练样本定义权值qi,j,通过公式转化,使得更多的训练样本的权值为0或者接近于0;
在步骤107,然后将所有权值构造权重矩阵Q;
在步骤108,采用l1范式最小二乘问题,结合邻近样本矩阵再次求解优化后的测试样本y的特征向量,即稀疏表示的稀疏系数;
在步骤109,然后得到重构样本计算重构误差,最小误差的对应的分类结果就是所识别人脸图像。
步骤110,结束。
进一步地,所述步骤104、105中邻近类选择步骤为:
1)对每个训练样本和测试样本求解l1范式最小化下的稀疏系数s.t.||y-Ax||1≤ξ,ξ≥0是可以接受的误差,依次为训练样本和测试样本的稀疏系数;
2)计算每个训练样本稀疏系数与测试样本稀疏系数之间的余弦相似度其中
3)对所有相似度量依次从大到小排序,度量值越大的训练样本与测试样本越相似,差异也就越小,取前k个度量值最大所对应的训练样本类作为临近训练样本AN(y)∈Rl×k。
进一步地,所述的步骤106、107中的权重矩阵构造采用负指数函数变换,步骤为:
1)第i类第j个训练样本与测试样本的权值表示为:qi,j=f(y,ai,j);
2)f(y,ai,j)表示为y、ai,j的负指数函数为τ为y、ai,j的欧氏距离的数学期望,权值qi,j负指数函数表示能使稀疏系数中出现更多的0或者更多接近于0的稀疏,且f(y,ai,j)∈(0,1],也就是距离测试样本越近的训练样本得到的权值越大,权值接近0的数目进一步增多,特征向量越稀疏;
3)构造权重矩阵Q,Q是一个块对角矩阵,diag(Q)是一个对角化矩阵,其对角线上元素为测试样本与每类训练样本的权值qi,j,diag(Q)=[q1,1,q1,2...qi,k]T。
进一步地,所述的步骤108、109中的图像分类识别步骤为:
1)求解的目标函数为优化后的l1范式最小二乘式,求解得到稀疏系数,其中正则化参数λ为正数,构造向量δi(x)∈Rn,有x中对应于第i类的邻训练样本元素保留,其余全为0;
2)通过δi(x)对测试样本重构表示为计算测试样本和重构样本之间的误差最小误差对应的类别即为测试样本所属的类别。
图2是Yale B人脸数据库部分人脸图像。
实验验证:
Extended Yale B包含38人的2414幅正面人脸图像,约为每人64幅,姿态变化不大,含极度的光照条件,原始图像大小为192×168,如图2所示。实验中采用下采用后的32×24大小的图像,每类中随机选取40幅作为训练样本,余下的作为测试样本,并对依次对每幅图像进行归一化处理。LSRC和本发明算法选择邻近训练样本时k=25,LSRC是局部稀疏表示算法,如下表1为不同算法所对应的识别率。
表1三种不同算法在Yale B人脸库中识别率对比
实验证明从表1的数据中可以看到,本发明算法比另外两种的稳定性更好,并且识别率也得到提高。
图3示意性示出一种基于嵌入式的人脸图像识别系统装置,图1一种基于稀疏系数相似的加权稀疏表示人脸识别过程可在该系统装置中实现。
整个系统装置由人脸图像采集器和系统识别平台构成,包括:数据存储器1、程序存储器2、嵌入式微处理器3、触摸屏4、LED显示屏5、USB控制器接口6和8、图像传感器7构成,其特征在于,嵌入式微处理器3分别与数据存储器1、程序存储器2、触摸屏4、LED显示屏5、USB控制器接口6和8及图像传感器7相连接;
数据存储器1,用于存储嵌入式微处理器人脸图像识别过程中的各种数据;
程序存储器2,用于存储嵌入式微处理器人脸图像识别过程中的基本程序;
嵌入式微处理器3,用于统一协调处理各器件之间的相互关系,进行信息交换,同时处理人脸图像识别信息,进行人脸图像识别过程中特征信息的提取,采用基于稀疏系数相似的加权稀疏方法进行人脸图像识别;
触摸屏4,用于嵌入式微处理器人脸图像识别过程中的人工操作界面;
LED显示屏5,用于嵌入式微处理器人脸图像识别过程中界面显示;
USB控制器接口电路6和8,用于将采集的人脸图像信息和人脸图像处理信息在嵌入式微处理器和人脸图像采集器之间传递;
图像传感器7,用于采集人脸图像信息。
系统通过人脸图像传感器7采集、传送人脸图像信息,利用USB接口6和8将采集到的人脸图像信息传送到嵌入式微处理器3,通过嵌入式微处理器3进行图像处理,在处理过程中数据存储器1存储人脸图像识别处理过程中的各种数据,程序存储器2存储人脸图像识别过程中的基本程序,LED显示屏5显示人脸图像识别过程中各种处理结果,利用触摸屏4完成人脸图像识别过程中的各种人工操作,整个系统进行有机的结合完成系统的人脸图像识别过程。
本发明的有益效果和优点在于:本发明利用训练样本数据的局部性,构造训练样本的权重矩阵,进一步将数据的局部结构和线性相关结合起来,使得识别算法更加强健稳定。训练样本字典维数较大,求解测试样本稀疏系数分解会变得困难,样本之间的相似性反映了稀疏系数的相似,利用稀疏系数之间的相似性选择部分邻近训练样本,用选择的邻近训练样本对测试样本进行稀疏分解,相比现有的技术分解效率得到提升,本系统在样本图像在光照和姿态变化条件下的识别鲁棒性更强,同时也提高了稀疏系数的求解效率与人脸识别率。
Claims (6)
1.一种基于稀疏系数相似的加权稀疏表示人脸识别方法,包括样本字典构造、邻近类选择、构造权重矩阵、图像分类识别过程,其特征在于:包括以下步骤:
(1)在人脸识别系统中,假设训练人脸数据库A中有C个类别,每类有ni个像素为m×n大小的训练样本,其中ni为第i类训练人脸图像的个数,通过图像预处理将这ni个样本数据变为成列向量,即l=m×n为训练样本列向量维数,一共有N个人脸训练样本,即得到训练样本矩阵A=[A1,A2,...,AC],假设测试样本y∈Ai类,且y能被A线性表示为y=Ax,对获取的人脸训练样本和测试样本y进行图像预处理;
(2)通过l1范式分别求出各个训练样本和测试样本y在矩阵A上的稀疏系数x1,x2,...,xN,xy,其中x1,x2,...,xN为每个训练样本的稀疏表示系数特征向量,xy为测试样本稀疏系数的特征向量,利用测试样本y的稀疏系数和每个训练样本稀疏系数之间的相似性,根据相似度量值的排序从训练样本中选择出k个与测试样本邻近的邻近样本;
(3)将训练样本数据的线性关系和局部关系结合起来,为每个邻近训练样本定义权值qi,j,通过公式转化,使得更多的训练样本的权值为0或者接近于0,然后将所有权值构造权重矩阵Q;
(4)采用l1范式最小二乘问题,结合邻近样本矩阵再次求解优化后的测试样本y的特征向量,即稀疏表示的稀疏系数,然后得到重构样本计算重构误差,最小误差的对应的分类结果就是所识别人脸图像。
2.根据权利要求1所述的一种基于稀疏系数相似的加权稀疏表示人脸识别方法,其特征在于所述的步骤(2)中邻近样本选择采用稀疏系数余弦相似法计算求得,实现步骤如下:
1)对每个训练样本和测试样本求解l1范式最小化下的稀疏系数ξ≥0是可以接受的误差,依次为训练样本和测试样本的稀疏系数;
2)计算每个训练样本稀疏系数与测试样本稀疏系数之间的余弦相似度其中
3)对所有相似度量依次从大到小排序,度量值越大的训练样本与测试样本越相似,差异也就越小,取前k个度量值最大所对应的训练样本类作为临近训练样本AN(y)∈Rl*k。
3.根据权利要求1所述的一种基于稀疏系数相似的加权稀疏表示人脸识别方法,其特征在于:所述的步骤(3)中的构造权重矩阵中公式转化采用负指数函数变换,步骤为:
1)第i类第j个训练样本与测试样本的权值表示为:qi,j=f(y,ai,j);
2)f(y,ai,j)表示为y、ai,j的负指数函数为τ为y、ai,j的欧氏距离的数学期望;
3)构造权重矩阵Q,Q是一个块对角矩阵,diag(Q)是一个对角化矩阵,其对角线上元素为测试样本与每类训练样本的权值qi,j,diag(Q)=[q1,1,q1,2…qi k]T。
4.根据权利要求1所述的一种基于稀疏系数相似的加权稀疏表示人脸识别方法,其特征在于:所述的步骤(4)中的图像分类识别具体如下:求解的目标函数为优化后的l1范式最小二乘式求出测试样本稀疏系数,其中正则化参数λ为正数,重构测试样本计算最小差最小误差对应的类别即为测试样本所属的类别。
5.一种基于嵌入式的人脸图像识别系统装置,其特征在于包括:
数据存储器,用于存储嵌入式微处理器人脸图像识别过程中的各种数据;
程序存储器,用于存储嵌入式微处理器人脸图像识别过程中的基本程序;
嵌入式微处理器,用于统一协调处理各器件之间的相互关系,进行信息交换,同时处理人脸图像识别信息,进行人脸图像识别过程中特征信息的提取,采用基于稀疏系数相似的加权稀疏方法进行人脸图像识别;
触摸屏,用于嵌入式微处理器人脸图像识别过程中的人工操作界面;
LED显示屏,用于嵌入式微处理器人脸图像识别过程中界面显示;
USB控制器接口电路,用于将采集的人脸图像信息和人脸图像处理信息在嵌入式微处理器和人脸图像采集器之间传递;
图像传感器,用于采集人脸图像信息。
6.根据权利要求5所述的一种基于嵌入式的人脸图像识别系统装置,其特征在于:
该人脸图像识别系统装置,用以实现权利要求1至4所述的人脸图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710340867.5A CN108875459B (zh) | 2017-05-08 | 2017-05-08 | 一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710340867.5A CN108875459B (zh) | 2017-05-08 | 2017-05-08 | 一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875459A true CN108875459A (zh) | 2018-11-23 |
CN108875459B CN108875459B (zh) | 2024-05-14 |
Family
ID=64320185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710340867.5A Active CN108875459B (zh) | 2017-05-08 | 2017-05-08 | 一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875459B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635860A (zh) * | 2018-12-04 | 2019-04-16 | 科大讯飞股份有限公司 | 图像分类方法及系统 |
CN110070136A (zh) * | 2019-04-26 | 2019-07-30 | 安徽工程大学 | 一种图像表示分类方法及其电子设备 |
CN110108754A (zh) * | 2019-04-25 | 2019-08-09 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN110110700A (zh) * | 2019-05-20 | 2019-08-09 | 上海海事大学 | 一种基于加权稀疏表示分类的手写汉字识别方法 |
CN110458092A (zh) * | 2019-08-09 | 2019-11-15 | 南京邮电大学 | 基于l2正则化梯度约束稀疏表示的人脸识别方法 |
CN110489470A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于稀疏表示分类的hrtf个人化方法 |
CN111523404A (zh) * | 2020-04-08 | 2020-08-11 | 华东师范大学 | 一种基于卷积神经网络和稀疏表示的部分人脸识别方法 |
CN112381070A (zh) * | 2021-01-08 | 2021-02-19 | 浙江科技学院 | 一种快速鲁棒人脸识别方法 |
CN114049668A (zh) * | 2021-11-15 | 2022-02-15 | 北京计算机技术及应用研究所 | 一种人脸识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833672A (zh) * | 2010-04-02 | 2010-09-15 | 清华大学 | 基于约束采样与形状特征的稀疏表示人脸识别方法 |
US20110064302A1 (en) * | 2008-01-31 | 2011-03-17 | Yi Ma | Recognition via high-dimensional data classification |
CN105574475A (zh) * | 2014-11-05 | 2016-05-11 | 华东师范大学 | 一种基于共同向量词典的稀疏表示分类方法 |
CN106295517A (zh) * | 2016-07-28 | 2017-01-04 | 山东师范大学 | 一种用于稀疏表示人脸识别的自适应字典构造方法 |
CN106446774A (zh) * | 2016-08-24 | 2017-02-22 | 施志刚 | 一种基于二次近邻稀疏重构的人脸识别方法 |
-
2017
- 2017-05-08 CN CN201710340867.5A patent/CN108875459B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110064302A1 (en) * | 2008-01-31 | 2011-03-17 | Yi Ma | Recognition via high-dimensional data classification |
CN101833672A (zh) * | 2010-04-02 | 2010-09-15 | 清华大学 | 基于约束采样与形状特征的稀疏表示人脸识别方法 |
CN105574475A (zh) * | 2014-11-05 | 2016-05-11 | 华东师范大学 | 一种基于共同向量词典的稀疏表示分类方法 |
CN106295517A (zh) * | 2016-07-28 | 2017-01-04 | 山东师范大学 | 一种用于稀疏表示人脸识别的自适应字典构造方法 |
CN106446774A (zh) * | 2016-08-24 | 2017-02-22 | 施志刚 | 一种基于二次近邻稀疏重构的人脸识别方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635860A (zh) * | 2018-12-04 | 2019-04-16 | 科大讯飞股份有限公司 | 图像分类方法及系统 |
CN109635860B (zh) * | 2018-12-04 | 2023-04-07 | 科大讯飞股份有限公司 | 图像分类方法及系统 |
CN110108754A (zh) * | 2019-04-25 | 2019-08-09 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN110108754B (zh) * | 2019-04-25 | 2021-10-22 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN110070136B (zh) * | 2019-04-26 | 2022-09-09 | 安徽工程大学 | 一种图像表示分类方法及其电子设备 |
CN110070136A (zh) * | 2019-04-26 | 2019-07-30 | 安徽工程大学 | 一种图像表示分类方法及其电子设备 |
CN110110700A (zh) * | 2019-05-20 | 2019-08-09 | 上海海事大学 | 一种基于加权稀疏表示分类的手写汉字识别方法 |
CN110489470A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于稀疏表示分类的hrtf个人化方法 |
CN110489470B (zh) * | 2019-07-16 | 2022-11-29 | 西北工业大学 | 基于稀疏表示分类的hrtf个人化方法 |
CN110458092A (zh) * | 2019-08-09 | 2019-11-15 | 南京邮电大学 | 基于l2正则化梯度约束稀疏表示的人脸识别方法 |
CN110458092B (zh) * | 2019-08-09 | 2022-08-30 | 南京邮电大学 | 基于l2正则化梯度约束稀疏表示的人脸识别方法 |
CN111523404A (zh) * | 2020-04-08 | 2020-08-11 | 华东师范大学 | 一种基于卷积神经网络和稀疏表示的部分人脸识别方法 |
CN112381070A (zh) * | 2021-01-08 | 2021-02-19 | 浙江科技学院 | 一种快速鲁棒人脸识别方法 |
CN114049668A (zh) * | 2021-11-15 | 2022-02-15 | 北京计算机技术及应用研究所 | 一种人脸识别方法 |
CN114049668B (zh) * | 2021-11-15 | 2024-04-09 | 北京计算机技术及应用研究所 | 一种人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108875459B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875459A (zh) | 一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统 | |
CN110532920B (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
WO2016150240A1 (zh) | 身份认证方法和装置 | |
Zuo et al. | The multiscale competitive code via sparse representation for palmprint verification | |
CN103218609B (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 | |
Li et al. | Overview of principal component analysis algorithm | |
CN110659665B (zh) | 一种异维特征的模型构建方法及图像识别方法、装置 | |
CN103136516B (zh) | 可见光与近红外信息融合的人脸识别方法及系统 | |
US20060039600A1 (en) | 3D object recognition | |
WO2015090126A1 (zh) | 人脸特征的提取、认证方法及装置 | |
CN106228142A (zh) | 基于卷积神经网络和贝叶斯决策的人脸验证方法 | |
CN105809125A (zh) | 基于多核心arm平台的人脸识别系统 | |
CN109063572A (zh) | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 | |
CN109241813B (zh) | 基于判别稀疏保持嵌入的非约束人脸图像降维方法 | |
CN108647690A (zh) | 用于非约束人脸识别的判别稀疏保持投影方法 | |
CN107430678A (zh) | 使用高斯接收场特征的低成本面部识别 | |
CN105117708A (zh) | 人脸表情识别的方法和装置 | |
CN111325275B (zh) | 基于低秩二维局部鉴别图嵌入的鲁棒图像分类方法及装置 | |
Lee et al. | Face image retrieval using sparse representation classifier with gabor-lbp histogram | |
CN106980825A (zh) | 一种基于归一化像素差特征的人脸姿势分类方法 | |
CN110909678B (zh) | 一种基于宽度学习网络特征提取的人脸识别方法及系统 | |
Kaur et al. | Comparative study of facial expression recognition techniques | |
CN108038467B (zh) | 一种镜像图与粗细层次结合的稀疏人脸识别方法 | |
CN108121964B (zh) | 基于矩阵的联合稀疏局部保持投影人脸识别方法 | |
CN112329698A (zh) | 一种基于智慧黑板的人脸识别方法和系统 |
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 |