CN109543637A - 一种人脸识别方法、装置、设备以及可读存储介质 - Google Patents
一种人脸识别方法、装置、设备以及可读存储介质 Download PDFInfo
- Publication number
- CN109543637A CN109543637A CN201811443582.5A CN201811443582A CN109543637A CN 109543637 A CN109543637 A CN 109543637A CN 201811443582 A CN201811443582 A CN 201811443582A CN 109543637 A CN109543637 A CN 109543637A
- Authority
- CN
- China
- Prior art keywords
- image
- recognized
- images
- neural network
- face identification
- 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
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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别方法,通过获取待识别图像;对待识别图像进行图像预处理;将预处理后的图像输入预先训练的分类器中,输出待识别图像的识别结果;其中,分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。本申请在BP神经网络的基础上进行了改进,对传统BP神经网络分类错误的样本运用K近邻算法进行辅助分类,提高了人脸识别的效率。此外,本申请还具有分类准确度高,并行分布处理能力强,分布存储及学习能力强,对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系,具备联想记忆的功能等优点。此外,本申请还提供了一种具有上述技术效果的人脸识别装置、设备以及计算机可读存储介质。
Description
技术领域
本发明涉及计算机视觉以及图像处理技术领域,特别是涉及一种人脸识别方法、装置、设备以及计算机可读存储介质。
背景技术
人脸识别是基于人的脸部特征信息进行身份认证的一种生物识别技术。通过采集含有人脸的图像或视频流,并在图像中检测人脸,进而对检测到的人脸进行匹配与识别。人脸识别在身份识别、访问控制、视频会议、档案管理、电子相册、基于对象的图像和视频检索等方面有着广泛的应用,与指纹、虹膜、语音等其他人体生物特征识别相比,人脸识别更加直接、友好。
人脸识别方法有很多,基本上都可以归结为人脸特征提取结合分类算法。在所有算法中,基于神经网络学习的人脸识别算法能够达到较佳识别效果,近年来也越来越受到关注。神经网络方法,因为它可以通过学习把一些人脸识别中的规律隐性的表达出来,而这些规律实际上往往又很难显性描述,因此神经网络方法的适应性更强,也较容易实现,但是它要求训练样本比较充分才有可能得到较好的识别效果,否则对于形变,尺度改变,光照改变等干扰不能很好的识别,并不能适用于所有场合。
发明内容
本发明的目的是提供一种人脸识别方法、装置、设备以及计算机可读存储介质,以解决现有人脸识别技术不能适用所有场合、识别效率不高的问题。
为解决上述技术问题,本发明提供一种人脸识别方法,包括:
获取待识别图像;
对所述待识别图像进行图像预处理;
将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果;所述分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。
可选地,所述对所述待识别图像进行图像预处理包括:
对所述待识别图像进行图像灰度化处理、中值滤波处理、直方图均衡化处理。
可选地,预先训练分类器的过程包括:
对样本图像进行图像预处理,将预处理后的样本图像作为训练样本集;
运用主成分分析法进行特征提取,构建图像特征值以及特征向量;
采用所述训练样本集的特征向量对BP神经网络进行训练;所述BP神经网络有多个神经元,层与层之间采用全互联方式,同一层神经元之间不存在相互连接;
采用所述训练样本集对K近邻法进行训练。
可选地,所述将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果包括:
采用BP神经网络对所述图像进行分类,得到分类结果以及表征分类结果的表征参数;
将所述表征参数与预设阈值进行比较,在所述表征参数低于所述预设阈值时,结合所述分类器中K近邻法综合进行辅助分类,得到最终的识别结果。
本发明还提供了一种人脸识别装置,包括:
图像获取模块,用于获取待识别图像;
预处理模块,用于对所述待识别图像进行图像预处理;
识别模块,用于将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果;所述分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。
可选地,所述预处理模块用于:
对所述待识别图像进行图像灰度化处理、中值滤波处理、直方图均衡化处理。
可选地,分类器用于:
对样本图像进行图像预处理,将预处理后的样本图像作为训练样本集;运用主成分分析法进行特征提取,构建图像特征值以及特征向量;采用所述训练样本集的特征向量对BP神经网络进行训练;所述BP神经网络有多个神经元,层与层之间采用全互联方式,同一层神经元之间不存在相互连接;采用所述训练样本集对K近邻法进行训练。
可选地,所述识别模块包括:
分类单元,用于采用BP神经网络对所述图像进行分类,得到分类结果以及表征分类结果的表征参数;
结果生成单元,用于将所述表征参数与预设阈值进行比较,在所述表征参数低于所述预设阈值时,结合所述分类器中K近邻法综合进行辅助分类,得到最终的识别结果。
本发明还提供了一种人脸识别设备,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上述任一种所述的人脸识别方法的步骤。
本发明还提供了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上述任一种所述的人脸识别方法的步骤。
本发明所提供的人脸识别方法,通过获取待识别图像;对待识别图像进行图像预处理;将预处理后的图像输入预先训练的分类器中,输出待识别图像的识别结果;其中,分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。本申请在BP神经网络的基础上进行了改进,对传统BP神经网络分类错误的样本运用K近邻算法进行辅助分类,提高了人脸识别的效率。此外,本申请还具有分类准确度高,并行分布处理能力强,分布存储及学习能力强,对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系,具备联想记忆的功能等优点。此外,本申请还提供了一种具有上述技术效果的人脸识别装置、设备以及计算机可读存储介质。
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为本发明所提供的人脸识别方法的一种具体实施方式的流程图;
图2为预先训练分类器的过程示意图;
图3为对待识别图像进行识别的过程示意图;
图4为本发明所提供的人脸识别方法的另一种具体实施方式的流程图;
图5为本发明实施例提供的人脸识别装置的结构框图。
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。
本发明所提供的人脸识别方法的一种具体实施方式的流程图如图1所示,该方法包括:
步骤S101:获取待识别图像;
步骤S102:对所述待识别图像进行图像预处理;
可选地,对待识别图像进行预处理的过程可以包括但不限于:对所述待识别图像进行图像灰度化处理、中值滤波处理、直方图均衡化处理。
步骤S103:将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果;所述分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。
本步骤中,参照图2预先训练分类器的过程示意图,对分类器进行训练的过程包括:
步骤S1001:对样本图像进行图像预处理,将预处理后的样本图像作为训练样本集;
具体地,采集用户的人脸图片信息,选择不同表情、不同光照的图片进行图像灰度化,并进行中值滤波,以去除图像噪声,并进行直方图均衡化,以增强图像对比度。在预处理之后,完成人脸库的构建。
步骤S1002:运用主成分分析法进行特征提取,构建图像特征值以及特征向量;
对于样本库中的每个人选择一定数量的图像构成训练集,运用主成分分析法进行特征提取,构建图像特征值及特征向量。设归一化后的图像是n×n,按列相连就构成n2维矢量,可视为n2维空间中的一个点,可以通过K-L变换用一个低维子空间描述这个图像。利用SVD奇异值分解定理计算图像的特征值和特征向量。
步骤S1003:采用所述训练样本集的特征向量对BP神经网络进行训练;所述BP神经网络有多个神经元,层与层之间采用全互联方式,同一层神经元之间不存在相互连接;
步骤S1004:采用所述训练样本集对K近邻法进行训练。
用已有的训练集样本的特征向量对BP网络分类器进行训练,BP神经网络每层有多个神经元,层与层之间多采用全互连方式,同一层神经元之间不存在相互连接,采用经典的BP算法(即误差逆传播学习算法),主要包括输入层、输出层以及一层或多层隐含层。K近邻法分类是选择测试样本与样本空间最近的K个样本的类别而决策分类的;而BP神经网络法本质上是根据输入输出关系通过学习而确定一个非线性空间映射关系,在此映射关系下对于每个输入得到一个输出,此输出根据网络输出的定义而确定类别。因此考虑将两种方法综合起来进行决策分类。实际的实验过程中,K近邻法得到的结果稳定,而BP网络法是一种次优算法,需要根据经验确定隐层数目、训练算法。当网络比较小时尚可通过不断的实验得到一个较好的结果,当网络规模较大时不适合用试凑法;而直接根据经验公式并不能得到满意的网络,有时网络的识别准确率甚至不及K近邻分类法的准确率。经过分析BP网络法得到的输出结果发现,当输出值大于预设阈值的时候,分类正确无误;当输出值小于预设阈值时,分类会存在错误,因此本申请提出对小于预设阈值的所有样本使用K近邻算法辅助分类,综合得到识别结果。其中,预设阈值的选择是通过对BP神经网络输出结果进行大量实验测试所得到的。
参照图3,将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果包括:
步骤S1041:采用BP神经网络对所述图像进行分类,得到分类结果以及表征分类结果的表征参数;
步骤S1042:将所述表征参数与预设阈值进行比较,在所述表征参数低于所述预设阈值时,结合所述分类器中K近邻法综合进行辅助分类,得到最终的识别结果。
本发明所提供的人脸识别方法,通过获取待识别图像;对待识别图像进行图像预处理;将预处理后的图像输入预先训练的分类器中,输出待识别图像的识别结果;其中,分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。本申请在BP神经网络的基础上进行了改进,对传统BP神经网络分类错误的样本运用K近邻算法进行辅助分类,提高了人脸识别的效率。此外,本申请还具有分类准确度高,并行分布处理能力强,分布存储及学习能力强,对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系,具备联想记忆的功能等优点。
本申请所提供的人脸识别方法的另一种具体实施方式的流程图如图4所示,该方法包括:
步骤S201:采集到的图像统一进行预处理,归一化为n×n的二维图像。预处理可以包括但不限于对图像进行灰度化、中值滤波、直方图均衡化处理。
图像灰度化可以采用加权平均法。根据重要性,将彩色图的三个分量以不同权值进行加权平均,如下式所示。
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)。
中值滤波:从图像中获取数据进行排序,它是在某个采样窗口获取的,然后在该窗口取出奇数个数据;对值进行排序,然后用中值代替孤立噪声点。
步骤S202:运用主成分分析法进行特征提取;
以训练样本集的总体散布矩阵为产生矩阵,计算训练样本集的协方差矩阵C,具体公式为式中xi为第i个训练样本的图像向量,μ为训练样本均值向量,M为训练样本的总数;M为训练样本的总数。该公式用于求取训练样本集的协方差矩阵,作为K-L变换的生成矩阵。
在得到K-L变换的生成矩阵之后,利用SVD定理计算图像的特征值和特征向量。
奇异值分解定理(Singular Value Decomposition简称SVD定理)原理表述如下:
其中A是一个秩为r的n×r维矩阵,则存在两个正交矩阵:
U=[u0,u1,…,ur-1]∈Rn×r UTU=I
V=[v0,v1,…,vr-1]∈Rr×r VTV=I
以及对角矩阵Λ=diag[λ0,λ1,…,λr-1]∈Rr×r
且λ0≥λ1≥…≥λr-1满足下式:
其中,λi(i=0,1,…,r-1)为矩阵AAT和ATA的非零特征值,ui与vi分别为AAT和ATA对应于λi的特征向量。上述分解称为矩阵A的奇异值分解(简称SVD),为A的奇异值。由上述定理可以得到一个推论:
由于协方差矩阵C=AAT,故构造矩阵:L=ATA∈Rp×p,容易求出其特征值λi及相应的正交归一特征向量vi(i=1,2,…,p)。有上述推论可知,C的正交归一特征向量ui为:
这就是图像的特征向量,它是计算p×p低维矩阵L的特征值和特征向量而间接求出来的。实际上l(l<p)个特征值足够用于人脸识别。因此仅取L的前l个最大特征值的特征向量。L是一个p×p的二维矩阵,运用奇异值分解原理,可以得到不同的特征值及其对应的特征向量,特征值数值越大就越能代表矩阵L。图像的特征向量就是矩阵L的前l个最大特征值的特征向量所组成。l为可调整参量,p为矩阵维度值,特征值数量不大于矩阵的维度,即满足要求(l<p),l数值越接近p,则提取的“特征脸”与原数据越相近,对应较大特征值的特征向量用于表示人脸的大体形状,而对应于较小特征值的特征向量则用于描述人脸的具体细节。
特征值所对应的特征向量为μi,即特征子空间的正交基。由于μ0,μ1,…,μM-1本身如果看作图像的话都很像人脸图像,所以它们被称为特征脸(也叫本征脸)。由这些特征脸所形成的空间称为特征脸子空间。需要注意对于正交基的选择的不同考虑,对应较大特征值的特征向量(正交基)也称主分量,用于表示人脸的大体形状,而对应于较小特征值的特征向量则用于描述人脸的具体细节。
把训练图像投影到特征空间,每一副人脸图像向特征脸子空间投影,得到一组坐标系数,就对应于子空间中的一个点。同样,子空间中的任一点也对应于一副图像。这组系数便可作为人脸识别的依据,也就是这张人脸图像的特征脸特征。也就是说任何一幅人脸图像都可以表示为这组特征脸的线性组合,各个加权系数就是K-L变换的展开系数,可以作为图像的识别特征,表明了该图像在子空间的位置,也就是向量y=UTf。
步骤S203:训练分类器,BP神经网络参数设置:性能参数设置为“sse”即误差平方和;训练目标最小误差设置为0.03;训练参数设置为5000次,隐层中有120个神经元输出层为40个神经元,传递函数为sigmoid型函数,学习速率0.05。
K阶近邻算法流程如下:
构建训练样本集合X。
设定K的初值,即类别数。
在训练样本集中选出与待测样本最近的K个样本。假定样本点x属于n维空间Rn,样本之间的“近邻”一般由欧式距离来度量。设第i个样本其中表示第i个样本第l个特征属性值。那么两个样本xj与xi之间欧式距离定义为:
给定一个待分类的样本xq,x1,…xk表示与xq距离最近的K个样本,设离散的目标函数(分类问题)为:f:Rn→vi,vi表示第i个类别的标签。表示对f(xq)的估计,当a=b时,δ(a,b)=1否则δ(a,b)=0。x1,…xk表示与xq距离最近的K个样本,vi表示第i个类别的标签,K阶近邻算法即是求取待分类点与各类别点的欧式距离,选择欧式距离最小的点,给出待分类点的标签。即是待测样本xq的类别。
步骤S204:待识别图像同样经过预处理及特征提取,进行分类识别,先选择BP神经网络测试输入图像,设置预设阈值,当BP网络输出的向量Y满足条件if max(Y)>阈值则选择BP神经网络分类,否则则选择K近邻算法辅助分类,给出辨识结果。
阈值可以由用户自行设定的,本实施例中表征参数用Y表示,Y是通过BP神经网络分析结果输出的一组向量,具体是一组数值参数,表征分类效果。max(Y)表示的即是输出向量Y中参数最大值大于我们的阈值,则判断BP神经网络分类方法效果较好,否则应当选择另一种分类方法。
下面对本发明实施例提供的人脸识别装置进行介绍,下文描述的人脸识别装置与上文描述的人脸识别方法可相互对应参照。
图5为本发明实施例提供的人脸识别装置的结构框图,参照图5人脸识别装置可以包括:
图像获取模块100,用于获取待识别图像;
预处理模块200,用于对所述待识别图像进行图像预处理;
识别模块300,用于将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果;所述分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。
可选地,本申请所提供的人脸识别装置中,所述预处理模块用于:
对所述待识别图像进行图像灰度化处理、中值滤波处理、直方图均衡化处理。
可选地,本申请所提供的人脸识别装置中,分类器用于:
对样本图像进行图像预处理,将预处理后的样本图像作为训练样本集;运用主成分分析法进行特征提取,构建图像特征值以及特征向量;采用所述训练样本集的特征向量对BP神经网络进行训练;所述BP神经网络有多个神经元,层与层之间采用全互联方式,同一层神经元之间不存在相互连接;采用所述训练样本集对K近邻法进行训练。
在上述任一实施例基础上,本申请所提供的人脸识别装置中,所述识别模块包括:
分类单元,用于采用BP神经网络对所述图像进行分类,得到分类结果以及表征分类结果的表征参数;
结果生成单元,用于将所述表征参数与预设阈值进行比较,在所述表征参数低于所述预设阈值时,结合所述分类器中K近邻法综合进行辅助分类,得到最终的识别结果。
本实施例的人脸识别装置用于实现前述的人脸识别方法,因此人脸识别装置中的具体实施方式可见前文中的人脸识别方法的实施例部分,例如,图像获取模块100,预处理模块200,识别模块300,分别用于实现上述人脸识别方法中步骤S101,S102,S103,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
此外,本发明还提供了一种人脸识别设备,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上述任一种所述的人脸识别方法的步骤。
此外,本发明还提供了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上述任一种所述的人脸识别方法的步骤。
本实施例的人脸识别设备、计算机可读存储介质用于实现前述的人脸识别方法,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
综上,本申请在BP神经网络的基础上进行了改进,对传统BP神经网络分类错误的样本运用K近邻算法进行辅助分类,提高了人脸识别的效率。此外,本申请还具有分类准确度高,并行分布处理能力强,分布存储及学习能力强,对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系,具备联想记忆的功能等优点。
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人脸识别方法、装置、设备以及计算机可读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 (10)
1.一种人脸识别方法,其特征在于,包括:
获取待识别图像;
对所述待识别图像进行图像预处理;
将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果;所述分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。
2.如权利要求1所述的人脸识别方法,其特征在于,所述对所述待识别图像进行图像预处理包括:
对所述待识别图像进行图像灰度化处理、中值滤波处理、直方图均衡化处理。
3.如权利要求2所述的人脸识别方法,其特征在于,预先训练分类器的过程包括:
对样本图像进行图像预处理,将预处理后的样本图像作为训练样本集;
运用主成分分析法进行特征提取,构建图像特征值以及特征向量;
采用所述训练样本集的特征向量对BP神经网络进行训练;所述BP神经网络有多个神经元,层与层之间采用全互联方式,同一层神经元之间不存在相互连接;
采用所述训练样本集对K近邻法进行训练。
4.如权利要求1至3任一项所述的人脸识别方法,其特征在于,所述将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果包括:
采用BP神经网络对所述图像进行分类,得到分类结果以及表征分类结果的表征参数;
将所述表征参数与预设阈值进行比较,在所述表征参数低于所述预设阈值时,结合所述分类器中K近邻法综合进行辅助分类,得到最终的识别结果。
5.一种人脸识别装置,其特征在于,包括:
图像获取模块,用于获取待识别图像;
预处理模块,用于对所述待识别图像进行图像预处理;
识别模块,用于将预处理后的图像输入预先训练的分类器中,输出所述待识别图像的识别结果;所述分类器为基于BP神经网络法以及K近邻法综合决策的分类模型。
6.如权利要求5所述的人脸识别装置,其特征在于,所述预处理模块用于:
对所述待识别图像进行图像灰度化处理、中值滤波处理、直方图均衡化处理。
7.如权利要求6所述的人脸识别装置,其特征在于,分类器用于:
对样本图像进行图像预处理,将预处理后的样本图像作为训练样本集;运用主成分分析法进行特征提取,构建图像特征值以及特征向量;采用所述训练样本集的特征向量对BP神经网络进行训练;所述BP神经网络有多个神经元,层与层之间采用全互联方式,同一层神经元之间不存在相互连接;采用所述训练样本集对K近邻法进行训练。
8.如权利要求5至7任一项所述的人脸识别装置,其特征在于,所述识别模块包括:
分类单元,用于采用BP神经网络对所述图像进行分类,得到分类结果以及表征分类结果的表征参数;
结果生成单元,用于将所述表征参数与预设阈值进行比较,在所述表征参数低于所述预设阈值时,结合所述分类器中K近邻法综合进行辅助分类,得到最终的识别结果。
9.一种人脸识别设备,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任一项所述人脸识别方法的步骤。
10.一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任一项所述人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811443582.5A CN109543637A (zh) | 2018-11-29 | 2018-11-29 | 一种人脸识别方法、装置、设备以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811443582.5A CN109543637A (zh) | 2018-11-29 | 2018-11-29 | 一种人脸识别方法、装置、设备以及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543637A true CN109543637A (zh) | 2019-03-29 |
Family
ID=65852014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811443582.5A Pending CN109543637A (zh) | 2018-11-29 | 2018-11-29 | 一种人脸识别方法、装置、设备以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543637A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363063A (zh) * | 2019-05-17 | 2019-10-22 | 深圳市趣创科技有限公司 | 基于Fisherface和近邻分类器的人脸识别方法与系统及其存储介质 |
CN110705391A (zh) * | 2019-09-17 | 2020-01-17 | 四川大学锦城学院 | 一种基于人体图像识别方法的座位分配系统 |
CN112069875A (zh) * | 2020-07-17 | 2020-12-11 | 北京百度网讯科技有限公司 | 人脸图像的分类方法、装置、电子设备和存储介质 |
CN112257672A (zh) * | 2020-11-17 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 一种人脸识别方法、系统、终端以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100111396A1 (en) * | 2008-11-06 | 2010-05-06 | Los Alamos National Security | Object and spatial level quantitative image analysis |
CN104657718A (zh) * | 2015-02-13 | 2015-05-27 | 武汉工程大学 | 一种基于人脸图像特征极限学习机的人脸识别方法 |
CN107463920A (zh) * | 2017-08-21 | 2017-12-12 | 吉林大学 | 一种消除局部遮挡物影响的人脸识别方法 |
CN107909040A (zh) * | 2017-11-17 | 2018-04-13 | 吉林大学 | 一种租车验证方法及装置 |
CN108053093A (zh) * | 2017-11-15 | 2018-05-18 | 郑州鼎创智能科技有限公司 | 一种基于平均影响值数据变换的k-近邻故障诊断方法 |
-
2018
- 2018-11-29 CN CN201811443582.5A patent/CN109543637A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100111396A1 (en) * | 2008-11-06 | 2010-05-06 | Los Alamos National Security | Object and spatial level quantitative image analysis |
CN104657718A (zh) * | 2015-02-13 | 2015-05-27 | 武汉工程大学 | 一种基于人脸图像特征极限学习机的人脸识别方法 |
CN107463920A (zh) * | 2017-08-21 | 2017-12-12 | 吉林大学 | 一种消除局部遮挡物影响的人脸识别方法 |
CN108053093A (zh) * | 2017-11-15 | 2018-05-18 | 郑州鼎创智能科技有限公司 | 一种基于平均影响值数据变换的k-近邻故障诊断方法 |
CN107909040A (zh) * | 2017-11-17 | 2018-04-13 | 吉林大学 | 一种租车验证方法及装置 |
Non-Patent Citations (2)
Title |
---|
唐赫: "基于PCA和神经网络的人脸识别算法研究", 《软件导刊》 * |
李昌: "基于PCA和BP神经网络的人脸识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363063A (zh) * | 2019-05-17 | 2019-10-22 | 深圳市趣创科技有限公司 | 基于Fisherface和近邻分类器的人脸识别方法与系统及其存储介质 |
CN110705391A (zh) * | 2019-09-17 | 2020-01-17 | 四川大学锦城学院 | 一种基于人体图像识别方法的座位分配系统 |
CN110705391B (zh) * | 2019-09-17 | 2023-09-19 | 四川大学锦城学院 | 一种基于人体图像识别方法的座位分配系统 |
CN112069875A (zh) * | 2020-07-17 | 2020-12-11 | 北京百度网讯科技有限公司 | 人脸图像的分类方法、装置、电子设备和存储介质 |
CN112069875B (zh) * | 2020-07-17 | 2024-05-28 | 北京百度网讯科技有限公司 | 人脸图像的分类方法、装置、电子设备和存储介质 |
CN112257672A (zh) * | 2020-11-17 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 一种人脸识别方法、系统、终端以及存储介质 |
WO2022105015A1 (zh) * | 2020-11-17 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种人脸识别方法、系统、终端以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273845B (zh) | 一种基于置信区域和多特征加权融合的人脸表情识别方法 | |
CN106372581B (zh) | 构建及训练人脸识别特征提取网络的方法 | |
Kim et al. | Person authentication using face, teeth and voice modalities for mobile device security | |
CN112800998B (zh) | 融合注意力机制和dmcca的多模态情感识别方法及系统 | |
CN101419671B (zh) | 基于模糊支持向量机的人脸性别识别方法 | |
US8379940B2 (en) | Robust human authentication using holistic anthropometric and appearance-based features and boosting | |
CN109543637A (zh) | 一种人脸识别方法、装置、设备以及可读存储介质 | |
CN102982322A (zh) | 基于pca图像重构和lda的人脸识别方法 | |
CN106778512A (zh) | 一种基于lbp和深度学校的非限制条件下人脸识别方法 | |
CN101872424A (zh) | 基于Gabor变换最优通道模糊融合的人脸表情识别方法 | |
CN105224918B (zh) | 基于双线性联合稀疏判别分析的步态识别方法 | |
CN106096517A (zh) | 一种基于低秩矩阵与特征脸的人脸识别方法 | |
CN102609693A (zh) | 基于模糊二维核主成分分析的人脸识别方法 | |
Omara et al. | A novel approach for ear recognition: learning Mahalanobis distance features from deep CNNs | |
CN115049814B (zh) | 采用神经网络模型的护眼灯智能调节方法 | |
CN109886281A (zh) | 一种基于四元数超限学习机彩色图像识别方法 | |
CN102799872A (zh) | 基于面部图像特征的图像处理方法 | |
Jadhav et al. | HDL-PI: hybrid DeepLearning technique for person identification using multimodal finger print, iris and face biometric features | |
CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
CN111611963B (zh) | 一种基于近邻保持典型相关分析的人脸识别方法 | |
CN107729945A (zh) | 基于类间稀疏表示的鉴别回归、分类方法及系统 | |
CN112241680A (zh) | 基于静脉相似图像知识迁移网络的多模态身份认证方法 | |
Bao et al. | A supervised neighborhood preserving embedding for face recognition | |
CN106570459A (zh) | 一种人脸图像的处理方法 | |
Li et al. | Multi-level Fisher vector aggregated completed local fractional order derivative feature vector for face recognition |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |