CN108898123A - 一种基于特征分析的人脸识别方法 - Google Patents

一种基于特征分析的人脸识别方法 Download PDF

Info

Publication number
CN108898123A
CN108898123A CN201810744035.4A CN201810744035A CN108898123A CN 108898123 A CN108898123 A CN 108898123A CN 201810744035 A CN201810744035 A CN 201810744035A CN 108898123 A CN108898123 A CN 108898123A
Authority
CN
China
Prior art keywords
feature
face
indicate
indicates
characteristic library
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
Application number
CN201810744035.4A
Other languages
English (en)
Inventor
麦智钧
沈复民
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.)
Chengdu Koala Technology Co Ltd
Original Assignee
Chengdu Koala Technology Co Ltd
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 Chengdu Koala Technology Co Ltd filed Critical Chengdu Koala Technology Co Ltd
Priority to CN201810744035.4A priority Critical patent/CN108898123A/zh
Publication of CN108898123A publication Critical patent/CN108898123A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于特征分析的人脸识别方法，属于人脸识别领域；构建用于提取特征的神经网络模型，利用人脸数据集进行训练，得到训练后的神经网络模型；构建人脸特征库；对待识别人脸图像进行滤波处理，并将处理后的图像输入训练后的神经网络模型提取特征；计算提取的特征与人脸特征库中的特征之间的相似度，若相似度大于阈值，则采用线性判别式提高相似度大于阈值的特征间匹配的准确率，得出识别结果，否则舍弃该特征对应的人脸图像；本发明适用于多种现实环境，比如门禁系统、银行系统等，与主流人脸识别SDK相比，本系统算法在对环境变化具有很好的鲁棒性。

Description

一种基于特征分析的人脸识别方法
技术领域
本发明涉及人脸识别领域，具体涉及一种基于特征分析的人脸识别方法。
背景技术
近年来，我们见证了卷积神经网络(Convolutional Neural Network，CNNs)算法在人脸识别(FaceRecognition，FR)上取得的巨大成功。由于先进的深度网络架构，如DCNN，ResNet，GoogleNet和辨别学习方法，深度CNNs提高了FR的性能，达到了前所未有的水平。一般来说，人脸识别可以被归类为人脸识别和人脸验证。前者方法面向分类特定的身份，而后者决定一对面孔是否属于同一身份。
在测试方法上，可以在闭集或开集设置下对人脸识别进行评估，对于闭集评估，所有测试标识都在训练集中预定义，很自然地，可以将人脸图像分类到给定的身份，在此场景中，面部验证相当于对面孔进行识别判断是否属于同一身份。因此，闭集FR可以被看作是在人脸特征被区分开的前提下的分类问题。而对于开集评估，测试集通常与训练集互斥，测试集中个体图像不会出现在训练集中，使FR更具挑战性，但开集评估更接近现实情况。
人脸识别是一种非接触性技术，具有可视化、符合人的思维习惯的特点，得以在商业、安全等领域广泛应用。人脸识别技术吸引了很多公司的注意，同时也吸引了大量的资本介入，成为自己公司的重要部门之一。虽然人脸识别技术在科研上的效果和准确率都达到了比人类高的水准，性能已经很高了。人脸识别现在的主要研究方向是表情识别、特征识别、人脸正面化，或者是改深度学习方法为仅需小数据量的其他识别方法。但是把人脸识别技术运用在工业界，做出可靠的“产品”还有很大的差距，基于人脸识别的产品在工业界的前景很大。现实中的应用都要求高准确率而且近乎实时地响应速度。因此，高效训练鲁棒的人脸识别系统还有很大空间需要提高。
发明内容
本发明的目的在于：提供一种基于特征分析的人脸识别方法，解决了目前的人脸识别算法在实际开集评估识别鲁棒性差不适合用在工业上的技术问题。
本发明采用的技术方案如下：
一种基于特征分析的人脸识别方法，包括以下步骤：
步骤1：构建用于提取特征的神经网络模型，利用人脸数据集进行训练，得到训练后的神经网络模型；
步骤2：构建人脸特征库；
步骤3：对待识别人脸图像进行滤波处理，并将处理后的图像输入训练后的神经网络模型提取特征；
步骤4：计算步骤3提取的特征与人脸特征库中的特征之间的相似度，若相似度大于阈值，则跳转步骤5，否则舍弃该特征对应的人脸图像；
步骤5：采用线性判别式提高相似度大于阈值的特征间匹配的准确率，得出识别结果。
进一步的，所述步骤1中，所述神经网络模型由Inception模块和ResNet模块构成。
进一步的，所述步骤1中，对神经网络模型进行训练时，采用的损失函数为：
其中，m表示批尺寸(batchsize)，i表示样本标注，xi表示第i个样本，yi表示第i个样本的标签，T表示转置操作，j表示标签标注，n表示类别总数，λ表示超参数，c表示类中心。
进一步的，在训练开始时，初始化参数c，在训练过程中，每迭代一次，需更新参数c，参数c的更新量为：
其中，α表示更新时采用的比例系数，N表示一个minibatch中的样本总数。
进一步的，所述步骤3中，对图像进行滤波处理采用的同态滤波器为：
Hmo(u，v)＝(γH-γL)Hhp(u，v)+γL(3)，
Hhp(u，v)＝1-exp[-a(D2(u，v)/D0 2)](4)，
其中，u表示频域上的频率，v表示频域上的增益，γH表示最高幅度范围，γL表示最低幅度范围，D表示滤波器频率，D0表示滤波器的中心频率，a表示一个特定的常数。
进一步的，所述步骤4中，采用特征间的欧式距离计算特征间的相似度。
进一步的，所述步骤5中，采用线性判别式提高相似度大于阈值的特征间匹配的准确率的具体步骤为：
步骤51：将待识别人脸图像的特征添加至所述人脸特征库；
步骤52：计算人脸特征库中特征间的类内散度矩阵Sw：
其中k表示人脸特征库中特征的类别序号，K表示特征的类别总数，x表示第k类特征wk中的特征点，T表示转置操作；
步骤53：计算人脸特征库中特征的类间散度矩阵Sb：
其中，μk表示人脸特征库中第k类特征的均值，μ表示人脸特征库中所有特征的均值，nk表示人脸特征库中第k类特征的特征个数。
进一步的，所述步骤5中，得出识别结果的具体步骤为：
步骤54：利用所述类内散度矩阵Sw和类间散度矩阵Sb计算矩阵Sw -1Sb；
步骤55：计算矩阵Sw -1Sb最大的d个特征值和d个特征值对应的d个特征向量，得到投影矩阵W；
步骤56：利用所述投影矩阵W将人脸特征库中每一个特征转化为新的特征zi，得到新的人脸特征库；
步骤57：判断待识别人脸图像的特征在新的人脸特征库中的分类结果；
步骤58：判断所述分类结果与相似度大的特征匹配结果是否一致，若一致，则该匹配结果为最终的识别结果，否则舍弃该结果，跳转至步骤51。
进一步的，所述步骤4中，得出识别结果具体方法为：判断类内散度矩阵Sw和类间散度矩阵Sb的大小是否超过阈值，若超过阈值，则相似度大的特征匹配结果为最终的分类结果，否则舍弃该结果，跳转至步骤51。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明针对大规模开集人脸识别问题提出了一个高效的训练优化方法：结合Softmax和Deep Metric Leaming的方法，训练出能提取高区分度特征的模型，以此提高算法在大规模数据集上的性能。
2.对于现实场景光照不均匀的问题，采用同态滤波的频域处理方法，利用同态滤波在增强暗区的图像细节，同时又不损失亮区的图像细节的特殊特点，高效地解决光照不均匀降低识别准确率的问题。
3.本发明适用于多种现实环境，比如门禁系统、银行系统等。创新的利用频域处理和结合线性判别式分析，获得具有更大的类间距离和更小的类内距离的特征分布。通过在线实验分析，与主流人脸识别SDK相比，本系统算法在对环境变化具有很好的鲁棒性，同时本发明在对跨年龄范围人脸识别和正侧脸对比识别上有较高的鲁棒性。
4.本发明人脸识别算法的准确率高，经过实验，在5724个个体，13,233张人脸图像中表现的人脸识别准确率性能为99.75％；在690k个个体，1M张人脸图像库中的人脸比对检索Rankl准确率达94.568％；在500个人，每人含有10个正面和4个侧面图像条件下的正侧脸人脸识别准确率性能为97.014％；在年龄跨度为30岁的440个个体，12,240张不同图像中表现的人脸识别准确率为97.70％。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的整体流程图；
图2是本发明中具体实施例2中门禁系统的整体架构图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合图1、图2对本发明作详细说明。
一种基于特征分析的人脸识别方法，包括以下步骤：
步骤1：构建用于提取特征的神经网络模型，利用人脸数据集进行训练，得到训练后的神经网络模型；
步骤2：构建人脸特征库；
步骤3：对待识别人脸图像进行滤波处理，并将处理后的图像输入训练后的神经网络模型提取特征；
步骤4：计算步骤3提取的特征与人脸特征库中的特征之间的相似度，若相似度大于阈值，则跳转步骤5，否则舍弃该特征对应的人脸图像；
步骤5：采用线性判别式提高相似度大于阈值的特征间匹配的准确率，得出识别结果。
进一步的，所述步骤1中，所述神经网络模型由Inception模块和ResNet模块构成。
进一步的，所述步骤1中，对神经网络模型进行训练时，采用的损失函数为：
其中，m表示批尺寸(batchsize)，i表示样本标注，xi表示第i个样本，yi表示第i个样本的标签，T表示转置操作，j表示标签标注，n表示类别总数，λ表示超参数，c表示类中心。
进一步的，在训练开始时，初始化参数c，在训练过程中，每迭代一次，需更新参数c，参数c的更新量为：
其中，α表示更新时采用的比例系数，N表示一个minibatch中的样本总数。
进一步的，所述步骤3中，对图像进行滤波处理采用的同态滤波器为：
Hmo(u，v)＝(γH-γL)Hhp(u，v)+γL(10)，
Hhp(u，v)＝1-exp[-a(D2(u，v)/D0 2)](11)，
其中，u表示频域上的频率，v表示频域上的增益，γH表示最高幅度范围，γL表示最低幅度范围，D表示滤波器频率，D0表示滤波器的中心频率，a表示一个特定的常数。
进一步的，所述步骤4中，采用特征间的欧式距离计算特征间的相似度。
进一步的，所述步骤5中，采用线性判别式提高相似度大于阈值的特征间匹配的准确率的具体步骤为：
步骤51：将待识别人脸图像的特征添加至所述人脸特征库；
步骤52：计算人脸特征库中特征间的类内散度矩阵Sw：
其中k表示人脸特征库中特征的类别序号，K表示特征的类别总数，x表示第k类特征wk中的特征点，T表示转置操作；
步骤53：计算人脸特征库中特征的类间散度矩阵Sb：
其中，μk表示人脸特征库中第k类特征的均值，μ表示人脸特征库中所有特征的均值，nk表示人脸特征库中第k类特征的特征个数。
进一步的，所述步骤5中，得出识别结果的具体步骤为：
步骤54：利用所述类内散度矩阵Sw和类间散度矩阵Sb计算矩阵Sw -1Sb；
步骤55：计算矩阵Sw -1Sb最大的d个特征值和d个特征值对应的d个特征向量，得到投影矩阵W；
步骤56：利用所述投影矩阵W将人脸特征库中每一个特征转化为新的特征zi，得到新的人脸特征库；
步骤57：判断待识别人脸图像的特征在新的人脸特征库中的分类结果；
步骤58：判断所述分类结果与相似度大的特征匹配结果是否一致，若一致，则该匹配结果为最终的识别结果，否则舍弃该结果，跳转至步骤51。
进一步的，所述步骤4中，得出识别结果具体方法为：判断类内散度矩阵Sw和类间散度矩阵Sb的大小是否超过阈值，若超过阈值，则相似度大的特征匹配结果为最终的分类结果，否则舍弃该结果，跳转至步骤51。
具体实施例1
一种基于特征分析的人脸识别方法，包括以下步骤(如图1所示)：
步骤1：构建用于提取特征的神经网络模型，利用人脸数据集进行训练，得到训练后的神经网络模型；所述神经网络模型由Inception模块和ResNet模块构成，由该两个模块构成的神经网络模型为现有的方案；
对神经网络模型进行训练时，采用的损失函数为：
其中，m表示批尺寸(batchsize)，i表示样本标注，xi表示第i个样本，yi表示第i个样本的标签，T表示转置操作，j表示标签标注，n表示类别总数，λ表示超参数，用于控制的权重，经过实验后，当λ取0.01时效果最好；
c表示类中心，在训练开始时，初始化参数c，在训练过程中，每迭代一次，需更新参数c，参数c的更新量为：
其中，α表示更新时采用的比例系数，用于保证更新参数c时损失函数的稳定性；N表示一个minibatch中的样本总数。
该损失函数不断的优化迭代的训练过程中，通过对训练集的每个类别在特征空间分别维护一个类中心，增加样本经过网络映射后在特征空间与类中心的距离约束，从而兼顾了类内聚合与类间分离。
步骤2：构建人脸特征库；
人脸特征库中所有的特征来自需要被验证的所有成员，即在进行验证之前，需要采集所有被验证成员的人脸图像，利用训练后的神经网络模型提取特征，所有的特征构成人脸特征库。
步骤3：对待识别人脸图像进行滤波处理，主要针对光照不均匀的情况进行同态滤波，将处理后的图像输入训练后的神经网络模型提取特征；
一幅图像f(x，y)可以表示为其照度分量fi(x，y)和反射分量fr(x，y)的乘积，由于照度相对变化很小，可以看作是图像的低频成份，而反射率则是高频成份；
即f(x，y)＝fi(x，y)fr(x，y)(17)，
其中，fi代表随空间位置不同的光强(Illumination)分量，其特点是缓慢变化，集中在图像的低频部分；fr代表景物反射到人眼的反射(Reflectance)分量，其特点包含了景物各种信息，高频成分丰富。
对于一幅光照不均匀的图像，同态滤波可同时实现亮度调整和对比度提升，从而改善图像质量；为了压制低频的亮度分量，增强高频的反射分量，滤波器应是一个高通滤波器，但又不能完全切掉低频分量，仅作适当压制；
本发明对图像进行滤波处理采用的同态滤波器为：
Hmo(u，v)＝(γH-γL)Hhp(u，v)+γL(18)，
Hhp(u，v)＝1-exp[-a(D2(u，v)/D0 2)](19)，
其中，u表示频域上的频率，v表示频域上的增益，γH＞1表示最高幅度范围，γL＜1表示最低幅度范围，D表示滤波器频率，D0表示滤波器的中心频率，a表示一个特定的常数。
本发明通过同态滤波算法分别处理照度和反射率对像元灰度值的影响，达到揭示阴影区细节特征的目的，从而高效的解决光照不均匀的问题。
步骤4：计算所述步骤3中提取的特征与人脸特征库中的特征之间的相似度，若相似度大于阈值，则跳转步骤5，否则舍弃该特征对应的人脸图像；
本实施例采用特征间的欧式距离计算特征间的相似度；当最小的距离小于设定的阈值，那么其对应的类别为系统所识别的预测个体。
步骤5：采用线性判别式提高相似度大于阈值的特征间匹配的准确率，得出识别结果；
步骤51：将待识别人脸图像的特征添加至所述人脸特征库；
步骤52：计算人脸特征库中特征间的类内散度矩阵Sw：
其中k表示人脸特征库中特征的类别序号，K表示特征的类别总数，x表示第k类特征wk中的特征点，T表示转置操作；
步骤53：计算人脸特征库中特征的类间散度矩阵Sb：
其中，μk表示人脸特征库中第k类特征的均值，μ表示人脸特征库中所有特征的均值，nk表示人脸特征库中第k类特征的特征个数；
步骤54：利用所述类内散度矩阵Sw和类间散度矩阵Sb计算矩阵Sw -1Sb；
步骤55：计算矩阵Sw -1Sb最大的d个特征值和d个特征值对应的d个特征向量，得到投影矩阵W；
步骤56：利用所述投影矩阵W将人脸特征库中每一个特征转化为新的特征zi，得到新的人脸特征库；
步骤57：判断待识别人脸图像的特征在新的人脸特征库中的分类结果；
步骤58：判断所述分类结果与相似度大的特征匹配结果是否一致，若一致，则该匹配结果为最终的识别结果，否则舍弃该结果，跳转至步骤51。
得出识别结果具体方法还可以为：判断类内散度矩阵Sw和类间散度矩阵Sb的大小是否超过阈值，若超过阈值，则相似度大的特征匹配结果为最终的分类结果，否则舍弃该结果，跳转至步骤51；
通过线性判别式分析，使得在特征比对阶段能利用上更具有区分度的特征；该过程在本系统中可看作为特征比对的预判断，系统会对特征空间进行分析，对于相似度不够的特征将放弃对其进行特征比对预测，很大程度上能提高特征比对阶段的准确率和效率。
具体实施例2
本实施例基于实施例1，提供一种迎宾门禁系统。
该系统(如图2所示)包括设置在入口处的摄像头，摄像头通过局域网连接以太网，入口处控制入口开闭的开关连接以太网，人脸识别服务器、储存服务器和显示器均连接以太网。
本系统的工作流程为：
步骤1：人脸识别系统加载训练好的神经网络模型，用于提取图像特征；
步骤2：人脸识别系统对需要使用该系统进行验证的人员进行注册(如一栋大楼中的所有工作人员)，即利用训练后的神经网络模型对所有需要验证的人员的人脸图像进行特征提取，构建人脸特征库；
步骤3：摄像头采集入口处的人脸图像，人脸图像通过局域网和以太网传输至人脸识别服务器进行识别，储存至储存服务器，同时利用显示器进行显示；
步骤4：人脸识别系统验证通过后，控制入口开闭的开关打开，被验证者得以进入；若位通过验证，开关保持闭合。

Claims (9)

1.一种基于特征分析的人脸识别方法，其特征在于，包括以下步骤：
步骤1：构建用于提取特征的神经网络模型，利用人脸数据集进行训练，得到训练后的神经网络模型；
步骤2：构建人脸特征库；
步骤3：对待识别人脸图像进行滤波处理，并将处理后的图像输入训练后的神经网络模型提取特征；
步骤4：计算步骤3提取的特征与人脸特征库中的特征之间的相似度，若相似度大于阈值，则跳转步骤5，否则舍弃该特征对应的人脸图像；
步骤5：采用线性判别式提高相似度大于阈值的特征间匹配的准确率，得出识别结果。
2.根据权利要求1所述的一种基于特征分析的人脸识别方法，其特征在于，所述步骤1中，所述神经网络模型由Inception模块和ResNet模块构成。
3.根据权利要求1所述的一种基于特征分析的人脸识别方法，其特征在于，所述步骤1中，对神经网络模型进行训练时，采用的损失函数为：
其中，m表示批尺寸(batchsize)，i表示样本标注，xi表示第i个样本，yi表示第i个样本的标签，T表示转置操作，j表示标签标注，n表示类别总数，λ表示超参数，c表示类中心。
4.根据权利要求3所述的一种基于特征分析的人脸识别方法，其特征在于，在训练开始时，初始化参数c，在训练过程中，每迭代一次，需更新参数c，参数c的更新量为：
其中，α表示更新时采用的比例系数，N表示一个minibatch中的样本总数。
5.根据权利要求1所述的一种基于特征分析的人脸识别方法，其特征在于，所述步骤3中，对图像进行滤波处理采用的同态滤波器为：
Hmo(u，v)＝(γH-γL)Hhp(u，v)+γL (3)，
Hhp(u，v)＝1-exp[-a(D2(u，v)/D0 2)] (4)，
其中，u表示频域上的频率，v表示频域上的增益，γH表示最高幅度范围，γL表示最低幅度范围，D表示滤波器频率，D0表示滤波器的中心频率，a表示一个特定的常数。
6.根据权利要求1所述的一种基于特征分析的人脸识别方法，其特征在于，所述步骤4中，采用特征间的欧式距离计算特征间的相似度。
7.根据权利要求1所述的一种基于特征分析的人脸识别方法，其特征在于，所述步骤5中，采用线性判别式提高相似度大于阈值的特征间匹配的准确率的具体步骤为：
步骤51：将待识别人脸图像的特征添加至所述人脸特征库；
步骤52：计算人脸特征库中特征间的类内散度矩阵Sw：
其中k表示人脸特征库中特征的类别序号，K表示特征的类别总数，x表示第k类特征wk中的特征点，T表示转置操作；
步骤53：计算人脸特征库中特征的类间散度矩阵Sb：
其中，μk表示人脸特征库中第k类特征的均值，μ表示人脸特征库中所有特征的均值，nk表示人脸特征库中第k类特征的特征个数。
8.根据权利要求7所述的一种基于特征分析的人脸识别方法，其特征在于，所述步骤5中，得出识别结果的具体步骤为：
步骤54：利用所述类内散度矩阵Sw和类间散度矩阵Sb计算矩阵Sw -1Sb；
步骤55：计算矩阵Sw -1Sb最大的d个特征值和d个特征值对应的d个特征向量，得到投影矩阵W；
步骤56：利用所述投影矩阵W将人脸特征库中每一个特征转化为新的特征zi，得到新的人脸特征库；
步骤57：判断待识别人脸图像的特征在新的人脸特征库中的分类结果；
步骤58：判断所述分类结果与相似度大的特征匹配结果是否一致，若一致，则该匹配结果为最终的识别结果，否则舍弃该结果，跳转至步骤51。
9.根据权利要求7所述的一种基于特征分析的人脸识别方法，其特征在于，所述步骤4中，得出识别结果具体方法为：判断类内散度矩阵Sw和类间散度矩阵Sb的大小是否超过阈值，若超过阈值，则相似度大的特征匹配结果为最终的分类结果，否则舍弃该结果，跳转至步骤51。
CN201810744035.4A 2018-07-09 2018-07-09 一种基于特征分析的人脸识别方法 Pending CN108898123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810744035.4A CN108898123A (zh) 2018-07-09 2018-07-09 一种基于特征分析的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810744035.4A CN108898123A (zh) 2018-07-09 2018-07-09 一种基于特征分析的人脸识别方法

Publications (1)

Publication Number Publication Date
CN108898123A true CN108898123A (zh) 2018-11-27

Family

ID=64349165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810744035.4A Pending CN108898123A (zh) 2018-07-09 2018-07-09 一种基于特征分析的人脸识别方法

Country Status (1)

Country Link
CN (1) CN108898123A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210325A (zh) * 2019-05-09 2019-09-06 五邑大学 一种人脸识别模型构建方法及其系统、装置、存储介质
CN110348352A (zh) * 2019-07-01 2019-10-18 深圳前海达闼云端智能科技有限公司 一种人脸图像年龄迁移网络的训练方法、终端和存储介质
CN110580435A (zh) * 2018-06-08 2019-12-17 和硕联合科技股份有限公司 脸部识别系统以及加强脸部识别方法
CN111265842A (zh) * 2020-03-09 2020-06-12 北京奥康达体育产业股份有限公司 一种多功能健身管理终端
CN111753877A (zh) * 2020-05-19 2020-10-09 海克斯康制造智能技术(青岛)有限公司 一种基于深度神经网络迁移学习的产品质量检测方法
CN112257671A (zh) * 2020-11-16 2021-01-22 深圳市巨烽显示科技有限公司 一种显示设备及其个性化显示效果的调节方法
CN113516002A (zh) * 2021-03-05 2021-10-19 武汉特斯联智能工程有限公司 应用智慧社区的基于人脸识别模型的人脸识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427421A (zh) * 2015-11-16 2016-03-23 苏州市公安局虎丘分局 基于人脸识别的门禁控制方法
CN107220627A (zh) * 2017-06-06 2017-09-29 南京邮电大学 基于协作模糊均值鉴别分析的多姿态人脸识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427421A (zh) * 2015-11-16 2016-03-23 苏州市公安局虎丘分局 基于人脸识别的门禁控制方法
CN107220627A (zh) * 2017-06-06 2017-09-29 南京邮电大学 基于协作模糊均值鉴别分析的多姿态人脸识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN SZEGEDY等: "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning", 《COMPUTER VISION AND PATTERN RECOGNITION》 *
YANDONG WEN: "A Discriminative Feature Learning Approach for Deep Face Recognition", 《COMPUTER VISION – ECCV 2016》 *
执剑者罗辑: "同态滤波及其实现", 《HTTPS://BLOG.CSDN.NET/CJSH_123456/ARTICLE/DETAILS/79351654》 *
李洋: "警务通人脸识别检索比对系统的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
汤鹏: "基于LDA的特征提取及其在人脸识别中的应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580435A (zh) * 2018-06-08 2019-12-17 和硕联合科技股份有限公司 脸部识别系统以及加强脸部识别方法
CN110210325A (zh) * 2019-05-09 2019-09-06 五邑大学 一种人脸识别模型构建方法及其系统、装置、存储介质
CN110348352A (zh) * 2019-07-01 2019-10-18 深圳前海达闼云端智能科技有限公司 一种人脸图像年龄迁移网络的训练方法、终端和存储介质
CN110348352B (zh) * 2019-07-01 2022-04-29 达闼机器人有限公司 一种人脸图像年龄迁移网络的训练方法、终端和存储介质
CN111265842A (zh) * 2020-03-09 2020-06-12 北京奥康达体育产业股份有限公司 一种多功能健身管理终端
CN111753877A (zh) * 2020-05-19 2020-10-09 海克斯康制造智能技术(青岛)有限公司 一种基于深度神经网络迁移学习的产品质量检测方法
CN111753877B (zh) * 2020-05-19 2024-03-05 海克斯康制造智能技术(青岛)有限公司 一种基于深度神经网络迁移学习的产品质量检测方法
CN112257671A (zh) * 2020-11-16 2021-01-22 深圳市巨烽显示科技有限公司 一种显示设备及其个性化显示效果的调节方法
CN113516002A (zh) * 2021-03-05 2021-10-19 武汉特斯联智能工程有限公司 应用智慧社区的基于人脸识别模型的人脸识别方法及装置

Similar Documents

Publication Publication Date Title
CN108898123A (zh) 一种基于特征分析的人脸识别方法
Hafemann et al. Forest species recognition using deep convolutional neural networks
CN110298396A (zh) 基于深度学习多特征融合的高光谱图像分类方法
CN108345860A (zh) 基于深度学习和距离度量学习的人员再识别方法
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN109828251A (zh) 基于特征金字塔轻量卷积神经网络的雷达目标识别方法
CN103971106B (zh) 多视角人脸图像性别识别方法及装置
CN104021384B (zh) 一种人脸识别方法及装置
CN109086660A (zh) 多任务学习深度网络的训练方法、设备及存储介质
CN109033953A (zh) 多任务学习深度网络的训练方法、设备及存储介质
CN105894018B (zh) 基于深度多示例学习的极化sar图像分类方法
CN106127230B (zh) 基于人类视觉感知的图像识别方法
CN109214298A (zh) 一种基于深度卷积网络的亚洲女性颜值评分模型方法
CN109977887A (zh) 一种抗年龄干扰的人脸识别方法
CN109815920A (zh) 基于卷积神经网络和对抗卷积神经网络的手势识别方法
CN109101869A (zh) 多任务学习深度网络的测试方法、设备及存储介质
Li et al. Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes
CN103605993B (zh) 一种基于面向场景判别性分析的图像到视频人脸识别方法
CN107341505A (zh) 一种基于图像显著性与Object Bank的场景分类方法
CN108564061A (zh) 一种基于二维主元分析的图像识别方法和系统
CN111695455B (zh) 一种基于耦合判别流形对齐的低分辨人脸识别方法
Warrell et al. Labelfaces: Parsing facial features by multiclass labeling with an epitome prior
Zhang et al. Adaptive gabor convolutional neural networks for finger-vein recognition
CN114937298A (zh) 一种基于特征解耦的微表情识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181127

RJ01 Rejection of invention patent application after publication