CN110210340A - 一种人脸特征值比对方法及其系统、可读存储介质 - Google Patents

一种人脸特征值比对方法及其系统、可读存储介质 Download PDF

Info

Publication number
CN110210340A
CN110210340A CN201910417854.2A CN201910417854A CN110210340A CN 110210340 A CN110210340 A CN 110210340A CN 201910417854 A CN201910417854 A CN 201910417854A CN 110210340 A CN110210340 A CN 110210340A
Authority
CN
China
Prior art keywords
face
matrix
image
characteristic value
recognition
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
Application number
CN201910417854.2A
Other languages
English (en)
Other versions
CN110210340B (zh
Inventor
张云翔
李厚恩
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau 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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201910417854.2A priority Critical patent/CN110210340B/zh
Publication of CN110210340A publication Critical patent/CN110210340A/zh
Application granted granted Critical
Publication of CN110210340B publication Critical patent/CN110210340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种人脸特征值比对方法及其系统、可读存储介质，所述方法包括：S1、获取一帧或多帧人脸抓拍图像；S2、分布式文件系统接收所述一帧或多帧人脸抓拍图像；S3、分布式文件系统的一个或多个分布式人脸识别模块调用PCA算法对接收到的一帧或多帧人脸抓拍图像进行人脸图像识别得到识别结果，并进行保存；S4、根据所述识别结果检索人脸数据库得到检索结果；S5、根据检索结果确定匹配结果，其中，若检索到与识别结果对应的人脸数据，则确定匹配成功，否则，确定匹配失败。本发明采用HDFS的分布式读写功能应用于人脸识别人脸特征值对比上，加快人脸识别速度，同时保证识别高准确率。

Description

一种人脸特征值比对方法及其系统、可读存储介质
技术领域
本发明涉及人脸识别技术领域，特别涉及一种人脸特征值比对方法及其系统、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识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。
人脸识别技术是当今社会中十分热门且应用十分广泛的技术，HDFS是Hadoop的分布式文件系统，实现大规模数据可靠的分布式读写。HDFS针对的使用场景是数据读写具有“一次写，多次读”的特征，而数据“写”操作是顺序写，也就是在文件创建时的写入或者在现有文件之后的添加操作。HDFS保证一个文件在一个时刻只被一个调用者执行写操作，而可以被多个调用者执行读操作。
其中，PCA是一种常用的人脸识别算法。PCA算法因为其最大化方差、最小化冗余、最小化损失等优良特性被广泛的应用在数据降维、模式识别、以及分析数据相关性等方面。但是，随着照相技术的飞速发展，图片的分辨率越来越高，数据库也随之越来越大，现有的计算机技术并不能满足部分图像数据处理的要求。例如，一个图片的数据库中有1000张照片，每一张照片的尺寸为100*100，在图像处理中把图片库当成一个列矩阵，就会得到一个10000*1000的矩阵。这是一个非常大的矩阵，计算的复杂度会非常高。运用PCA方法对矩阵进行处理的过程中，在求取协方差矩阵的特征值和特征向量时会耗费大量的时间。
发明内容
本发明的目的在于提出一种人脸特征值比对方法及其系统、可读存储介质，采用HDFS的分布式读写功能应用于人脸识别人脸特征值对比上，加快人脸识别速度，同时保证识别高准确率。
为了实现本发明目的，根据第一方面，本发明实施例提供一种人脸特征值比对方法，包括：
获取一帧或多帧人脸抓拍图像；
分布式文件系统接收所述一帧或多帧人脸抓拍图像；
分布式文件系统的一个或多个分布式人脸识别模块调用PCA算法对接收到的一帧或多帧人脸抓拍图像进行人脸图像识别得到识别结果，并进行保存；
根据所述识别结果检索人脸数据库得到检索结果；
根据检索结果确定匹配结果，其中，若检索到与识别结果对应的人脸数据，则确定匹配成功，否则，确定匹配失败。
优选地，所述每一分布式人脸识别模块调用PCA算法对接收到的人脸特征信息进行人脸图像识别的识别结果包括：
确定人脸抓拍图像对应的图像矩阵X，所述图像矩阵X的大小为m×n；
将所述图像矩阵X的每一行进行零均值化；
计算所述图像矩阵X的协方差矩阵；
计算每一个列向量的二阶范数，
取范数最大的前m个列向量，构成一个n×m的矩阵A；
对矩阵A进行正交三角分解以构造低维矩阵C，C＝(AQ)T；
对所述低维矩阵C进行奇异值分解，C＝U∑VH；
其中，Σ为对角线上的元素，Σi即为矩阵的特征值；
根据矩阵的特征值可以求得新的特征向量并组成特征矩阵；
将所述特征矩阵的特征值λ1，λ2，λ3…λn进行降序排序得到λ'1，λ'2，λ'3…λ'n；
计算原始数据图像矩阵X在新的特征向量上的投影；
选取其中前K个特征值即可得到变换矩阵，并将所述变换矩阵与所述图像矩阵X相乘得到矩阵求算结果。
优选地，所述识别结果包括特征索引；所述根据所述识别结果检索人脸数据库得到检索结果包括：根据图像的特征索引检索人脸数据库。
优选地，其中，一帧人脸抓拍图像在一个时刻只被一个分布式人脸识别模块执行图像处理。
本实施例方法结合了HDFS的分布式人脸识别模块和改进的PCA人脸识别算法组合进行人脸比对，首先利用分块的方式将具有相同特征的人脸图像分为一类，然后再利用改进后的PCA算法进行处理。该方法能够在增加识别率的基础上，价低了时间复杂度，大大地减少计算的时间。
根据第二方面，本发明实施例提供一种人脸特征值比对系统，包括：
图像采集单元，用于获取一帧或多帧人脸抓拍图像；
包括多个分布式人脸识别模块的分布式文件系统，用于接收所述一帧或多帧人脸抓拍图像，调用PCA算法对接收到的一帧或多帧人脸抓拍图像进行人脸图像识别得到识别结果并进行保存；
检索单元，用于根据所述识别结果检索人脸数据库得到检索结果；
输出结果单元，用于根据检索结果确定匹配结果，其中，若检索到与识别结果对应的人脸数据，则确定匹配成功，否则，确定匹配失败。
优选地，所述分布式人脸识别模块包括：
接收单元，确定人脸抓拍图像对应的图像矩阵X，所述样本矩阵X的大小为m×n；
零均值化单元，用于将所述样本矩阵X的每一行进行零均值化；
特征矩阵单元，用于计算所述样本矩阵X的协方差矩阵；
所述计算所述样本矩阵X的协方差矩阵包括：
计算每一个列向量的二阶范数，
取范数最大的前m个列向量，构成一个n×m的矩阵A；
对矩阵A进行正交三角分解以构造低维矩阵C，C＝(AQ)T；
对所述低维矩阵C进行奇异值分解，C＝U∑VH；
其中，Σ为对角线上的元素，Σi即为矩阵的特征值；
根据矩阵的特征值可以求得新的特征向量并组成特征矩阵；
特征矩阵处理单元，用于将所述特征矩阵的特征值λ1，λ2，λ3…λn进行降序排序得到λ'1，λ'2，λ'3…λ'n；
第一计算单元，用于计算原始数据样本矩阵X在新的特征向量上的投影；
第二计算单元，用于选取其中前K个特征值即可得到变换矩阵，并将所述变换矩阵与所述样本矩阵X相乘得到矩阵求算结果。
根据第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述人脸特征值比对方法。
根据第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，以实现如所述人脸特征值比对方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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它的附图。
图1为本发明实施例一所述一种人脸特征值比对方法流程图。
图2为本发明实施例一所述分布式文件系统示意图。
图3为本发明实施例一中步骤S3的子步骤流程图。
图4为本发明实施例二所述一种人脸特征值比对系统示意图。
图5为本发明实施例二所述分布式人脸识别模块示意图。
具体实施方式
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，所描述的实施例仅仅是本发明的一部分实施例，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的前提下所获得的所有其它实施例，都属于本发明保护的范围。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
如图1所示，本发明实施例一提供一种人脸特征值比对方法，包括：
步骤S1、获取一帧或多帧人脸抓拍图像；
步骤S2、分布式文件系统(HDFS)接收所述一帧或多帧人脸抓拍图像；
步骤S3、分布式文件系统的一个或多个分布式人脸识别模块调用PCA算法对接收到的一帧或多帧人脸抓拍图像进行人脸图像识别得到识别结果，并进行保存；
步骤S4、根据所述识别结果检索人脸数据库得到检索结果；
步骤S5、根据检索结果确定匹配结果，其中，若检索到与识别结果对应的人脸数据，则确定匹配成功，否则，确定匹配失败。
其中，HDFS的分布式人脸识别模块和PCA人脸识别算法组合成人脸比对系统。人脸比对系统是对人脸采集系统传输的数据进行智能分析处理，进行人脸图片建模、通过人脸眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，进行人脸特征数据提取入库，并根据平台业务需求进行实时比对识别和事后人脸检索应用。
HDFS的分布式人脸识别模块是整个人脸识别的计算机底层技术支持，为PCA人脸识别算法提供运算、判断和存储功能。参阅图2，通过如图2的Job Tracker传输到各个Datanode节点进行处理。其中，update实现对人脸库数据的传输和视频设备人脸信息的传输掉入到job tracker进行调度和指派。
针对人脸信息录入：job tracker调用视频设备人脸信息采集需要录入的人脸信息，人脸可以为多张多角度，动态采集，采集到的数据传输到Data node。Date node调用PCA算法对人脸数据进行特征处理。处理完毕的特征会output保存成文件或者存入人脸库。录入信息还包括：注册库包括标准人脸图片、人员身份信息、人脸特征数据，是系统设定前批量导入的重点人员库，用于人脸比对系统进行人脸图片比对检索。录入的信息作为后期人脸识别使用。
针对人脸识别：job tracker调用视频设备人脸信息采集需要人脸识别的人脸信息，人脸可以为多张多角度，动态采集，采集到的数据传输到多个Data node。Date node调用PCA算法对人脸数据进行特征处理。处理完毕的特征会保存在本地node作为需要匹配的素材，同时node通过已经处理的人脸特种数据，检索其特征索引，通过索引到人脸库Splits调取人脸信息。
进行匹配，若特征匹配准确，node回馈已经确认信息给job tracker通过jobtracker通知其他node停止匹配工作。已经处理好保存的人脸特征数据会被丢弃。若特征匹配不准确，node继续调用人脸库调取数据进行匹配直到符合本特征索引的人脸数据都处理完毕。
其中，PCA是一种常用的人脸识别算法。PCA算法因为其最大化方差、最小化冗余、最小化损失等优良特性被广泛的应用在数据降维、模式识别、以及分析数据相关性等方面。但是，随着照相技术的飞速发展，图片的分辨率越来越高，数据库也随之越来越大，现有的计算机技术并不能满足部分图像数据处理的要求。例如，一个图片的数据库中有1000张照片，每一张照片的尺寸为100*100，在图像处理中把图片库当成一个列矩阵，就会得到一个10000*1000的矩阵。这是一个非常大的矩阵，计算的复杂度会非常高。运用PCA方法对矩阵进行处理的过程中，在求取协方差矩阵的特征值和特征向量时会耗费大量的时间。
针对传统PCA算法，本发明实施例对PCA算法进行了改进，如图3所示，所述每一分布式人脸识别模块调用PCA算法对接收到的人脸特征信息进行人脸图像识别的识别结果包括：
步骤S31、确定人脸抓拍图像对应的图像矩阵X，所述图像矩阵X的大小为m×n；
步骤S32、将所述图像矩阵X的每一行进行零均值化；
步骤S33、计算所述图像矩阵X的协方差矩阵；
计算每一个列向量的二阶范数，
取范数最大的前m个列向量，构成一个n×m的矩阵A；
对矩阵A进行正交三角分解以构造低维矩阵C，C＝(AQ)T；
对所述低维矩阵C进行奇异值分解，C＝U∑VH；
其中，Σ为对角线上的元素，Σi即为矩阵的特征值；
根据矩阵的特征值可以求得新的特征向量并组成特征矩阵；
步骤S34、将所述特征矩阵的特征值λ1，λ2，λ3…λn进行降序排序得到λ'1，λ'2，λ'3…λ'n；
步骤S35、计算原始数据图像矩阵X在新的特征向量上的投影；
步骤S36、选取其中前K个特征值即可得到变换矩阵，并将所述变换矩阵与所述图像矩阵X相乘得到矩阵求算结果。
优选地，所述步骤S32处理具体如下公式：
其中，Xmn为样本矩阵X的第m行第n列的值，
优选地，步骤S34中计算出协方差矩阵C的特征值λ1，λ2，λ3…λn，其对应的特征向量是v1，v2，v3…vn，具体如下公式所示：
λiμi＝Cμi(i＝1，2，3…n)
将特征值λ1，λ2，λ3…λn进行降序排序得到λ'1，λ'2，λ'3…λ'n，其对应的特征向量变为v'1，v'2，v'3…v'n，取其中的前K个特征值对应的特征向量构成一个新的矩阵P。
所述步骤S35具体为计算样本矩阵X在新的特征向量上的投影：
Y＝X*P
其中P＝(P1 P2…Pk)，计算得出的矩阵Y就是降维之后的数据。
具体而言，假设Y的协方差矩阵为D，则：
D=Y*YT
＝(RX)*(PX)T
＝P(XXT)PT
＝PCPT
由上述公式可知，投影的具体化就是求取一基向量P，使PCPT满足对角矩阵，并且其主对角线上的元素按照从大到小的顺序排列。于是PCA算法也就转化为计算原始数据矩阵X的协方差矩阵C的特征值以及特征向量，选取其中前K个特征值即可得到变换矩阵，最后将变换矩阵与原始数据矩阵相乘即可得到所需要的特征数据。
本发明实施例提出的改进方法主要针对PCA算法计算协方差矩阵C的特征值和特征向量的过程中耗时很多问题。随着现在摄像头的像素越来越高，在人脸识别的过程中，需要处理的矩阵数据也越来越大，利用PCA算法进行特征提取的时候，计算量也是随之提高。这种数据的提高并不是通过一些矩阵简单的变换能够有效的减少计算量，降低处理时间的。由步骤S35可以看出，最后我们需要的特征值和特征向量并不是这个矩阵中全部的特征值和特征向量，我们真正需要的是具有主要特征的前K个。所以，本实施例对协方差矩阵C进行处理，构造一个低维矩阵，它保留了协方差矩阵C的绝大多数信息，使最后计算出的特征值和特征向量相等。
优选地，所述识别结果包括特征索引；所述根据所述识别结果检索人脸数据库得到检索结果包括：根据图像的特征索引检索人脸数据库。
优选地，其中，一帧人脸抓拍图像在一个时刻只被一个分布式人脸识别模块执行图像处理。
如图4所示，本发明实施例二提供一种人脸特征值比对系统，包括：
图像采集单元1，用于获取一帧或多帧人脸抓拍图像；
包括多个分布式人脸识别模块21的分布式文件系统2，用于接收所述一帧或多帧人脸抓拍图像，调用PCA算法对接收到的一帧或多帧人脸抓拍图像进行人脸图像识别得到识别结果并进行保存；
检索单元3，用于根据所述识别结果检索人脸数据库得到检索结果；
输出结果单元4，用于根据检索结果确定匹配结果，其中，若检索到与识别结果对应的人脸数据，则确定匹配成功，否则，确定匹配失败。
优选地，如图5所示，所述分布式人脸识别模块包括：
接收单元211，确定人脸抓拍图像对应的图像矩阵X，所述样本矩阵X的大小为m×n；
零均值化单元212，用于将所述样本矩阵X的每一行进行零均值化；
特征矩阵单元213，用于计算所述样本矩阵X的协方差矩阵；
所述计算所述样本矩阵X的协方差矩阵包括：
计算每一个列向量的二阶范数，
取范数最大的前m个列向量，构成一个n×m的矩阵A；
对矩阵A进行正交三角分解以构造低维矩阵C，C＝(AQ)T；
对所述低维矩阵C进行奇异值分解，C＝U∑VH；
其中，Σ为对角线上的元素，Σi即为矩阵的特征值；
根据矩阵的特征值可以求得新的特征向量并组成特征矩阵；
特征矩阵处理单元214，用于将所述特征矩阵的特征值λ1，λ2，λ3…λn进行降序排序得到λ'1，λ'2，λ'3…λ'n；
第一计算单元215，用于计算原始数据样本矩阵X在新的特征向量上的投影；
第二计算单元216，用于选取其中前K个特征值即可得到变换矩阵，并将所述变换矩阵与所述样本矩阵X相乘得到矩阵求算结果。
本发明实施例三提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述人脸特征值比对方法。
本发明实施例四提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，以实现如所述人脸特征值比对方法。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种人脸特征值比对方法，其特征在于，包括：
S1、获取一帧或多帧人脸抓拍图像；
S2、分布式文件系统接收所述一帧或多帧人脸抓拍图像；
S3、分布式文件系统的一个或多个分布式人脸识别模块调用PCA算法对接收到的一帧或多帧人脸抓拍图像进行人脸图像识别得到识别结果，并进行保存；
S4、根据所述识别结果检索人脸数据库得到检索结果；
S5、根据检索结果确定匹配结果，其中，若检索到与识别结果对应的人脸数据，则确定匹配成功，否则，确定匹配失败。
2.根据权利要求1所述的人脸特征值比对方法，其特征在于，所述每一分布式人脸识别模块调用PCA算法对接收到的人脸特征信息进行人脸图像识别的识别结果包括：
S31、确定人脸抓拍图像对应的图像矩阵X，所述图像矩阵X的大小为m×n；
S32、将所述图像矩阵X的每一行进行零均值化；
S33、计算所述图像矩阵X的协方差矩阵；
计算每一个列向量的二阶范数，
取范数最大的前m个列向量，构成一个n×m的矩阵A；
对矩阵A进行正交三角分解以构造低维矩阵C，C＝(AQ)T；
对所述低维矩阵C进行奇异值分解，C＝U∑VH；
其中，Σ为对角线上的元素，Σi即为矩阵的特征值；
根据矩阵的特征值可以求得新的特征向量并组成特征矩阵；
S34、将所述特征矩阵的特征值λ1，λ2，λ3…λn进行降序排序得到λ'1，λ'2，λ'3…λ'n；
S35、计算原始数据图像矩阵X在新的特征向量上的投影；
S36、选取其中前K个特征值即可得到变换矩阵，并将所述变换矩阵与所述图像矩阵X相乘得到矩阵求算结果。
3.如权利要求1所述的人脸特征值比对方法，其特征在于，所述步骤S2处理具体如下公式：
其中，Xmn为图像矩阵X的第m行第n列的值，
4.如权利要求3所述的人脸特征值比对方法，其特征在于，步骤S34中计算出协方差矩阵C的特征值λ1，λ2，λ3…λn，其对应的特征向量是v1，v2，v3…vn，具体如下公式所示：
λiμi＝Cμi(i＝1，2，3…n)
将特征值λ1，λ2，λ3…λn进行降序排序得到λ'1，λ'2，λ'3…λ'n，其对应的特征向量变为v'1，v'2，v'3…v'n，取其中的前K个特征值对应的特征向量构成一个新的矩阵P。
所述步骤S35具体为计算图像矩阵X在新的特征向量上的投影：
Y＝X*P
其中P＝(P1 P2 … Pk)，计算得出的矩阵Y就是降维之后的数据。
5.如权利要求2所述的人脸特征值比对方法，其特征在于，所述识别结果包括特征索引；所述根据所述识别结果检索人脸数据库得到检索结果包括：根据图像的特征索引检索人脸数据库。
6.如权利要求2所述的人脸特征值比对方法，其特征在于，其中，一帧人脸抓拍图像在一个时刻只被一个分布式人脸识别模块执行图像处理。
7.一种人脸特征值比对系统，其特征在于，包括：
图像采集单元，用于获取一帧或多帧人脸抓拍图像；
包括多个分布式人脸识别模块的分布式文件系统，用于接收所述一帧或多帧人脸抓拍图像，调用PCA算法对接收到的一帧或多帧人脸抓拍图像进行人脸图像识别得到识别结果并进行保存；
检索单元，用于根据所述识别结果检索人脸数据库得到检索结果；
输出结果单元，用于根据检索结果确定匹配结果，其中，若检索到与识别结果对应的人脸数据，则确定匹配成功，否则，确定匹配失败。
8.如权利要求7所述的一种人脸特征值比对系统，其特征在于，所述分布式人脸识别模块包括：
接收单元，确定人脸抓拍图像对应的图像矩阵X，所述样本矩阵X的大小为m×n；
零均值化单元，用于将所述样本矩阵X的每一行进行零均值化；
特征矩阵单元，用于计算所述样本矩阵X的协方差矩阵；
所述计算所述样本矩阵X的协方差矩阵包括：
计算每一个列向量的二阶范数，
取范数最大的前m个列向量，构成一个n×m的矩阵A；
对矩阵A进行正交三角分解以构造低维矩阵C，C＝(AQ)T；
对所述低维矩阵C进行奇异值分解，C＝U∑VH；
其中，Σ为对角线上的元素，Σi即为矩阵的特征值；
根据矩阵的特征值可以求得新的特征向量并组成特征矩阵；
特征矩阵处理单元，用于将所述特征矩阵的特征值λ1，λ2，λ3…λn进行降序排序得到λ'1，λ'2，λ'3…λ'n；
第一计算单元，用于计算原始数据样本矩阵X在新的特征向量上的投影；
第二计算单元，用于选取其中前K个特征值即可得到变换矩阵，并将所述变换矩阵与所述样本矩阵X相乘得到矩阵求算结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一权利要求所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，以实现如权利要求1-7任一项所述的人脸特征值比对方法。
CN201910417854.2A 2019-05-20 2019-05-20 一种人脸特征值比对方法及其系统、可读存储介质 Active CN110210340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910417854.2A CN110210340B (zh) 2019-05-20 2019-05-20 一种人脸特征值比对方法及其系统、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910417854.2A CN110210340B (zh) 2019-05-20 2019-05-20 一种人脸特征值比对方法及其系统、可读存储介质

Publications (2)

Publication Number Publication Date
CN110210340A true CN110210340A (zh) 2019-09-06
CN110210340B CN110210340B (zh) 2023-06-02

Family

ID=67787799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910417854.2A Active CN110210340B (zh) 2019-05-20 2019-05-20 一种人脸特征值比对方法及其系统、可读存储介质

Country Status (1)

Country Link
CN (1) CN110210340B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191532A (zh) * 2019-12-18 2020-05-22 深圳供电局有限公司 基于施工区域的人脸识别方法、装置、计算机设备
CN111460994A (zh) * 2020-03-31 2020-07-28 佛山科学技术学院 基于人脸识别的防丢失助行器、控制方法及存储介质
CN113283305A (zh) * 2021-04-29 2021-08-20 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113361492A (zh) * 2021-07-19 2021-09-07 南京邮电大学 一种基于正交三角分解的光照不变特征提取方法
CN113434573A (zh) * 2021-06-29 2021-09-24 中国科学院自动化研究所 多维度图像检索系统、方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050123202A1 (en) * 2003-12-04 2005-06-09 Samsung Electronics Co., Ltd. Face recognition apparatus and method using PCA learning per subgroup
CN102968473A (zh) * 2012-11-14 2013-03-13 广东欧珀移动通信有限公司 基于人脸图像的信息检索方法及系统
CN105117708A (zh) * 2015-09-08 2015-12-02 北京天诚盛业科技有限公司 人脸表情识别的方法和装置
CN105740838A (zh) * 2016-02-06 2016-07-06 河北大学 针对不同尺度人脸图像的识别方法
CN109002765A (zh) * 2018-06-21 2018-12-14 北京蜂盒科技有限公司 一种动态人脸识别数据处理方法及系统
CN109117714A (zh) * 2018-06-27 2019-01-01 北京旷视科技有限公司 一种同行人员识别方法、装置、系统及计算机存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050123202A1 (en) * 2003-12-04 2005-06-09 Samsung Electronics Co., Ltd. Face recognition apparatus and method using PCA learning per subgroup
CN102968473A (zh) * 2012-11-14 2013-03-13 广东欧珀移动通信有限公司 基于人脸图像的信息检索方法及系统
CN105117708A (zh) * 2015-09-08 2015-12-02 北京天诚盛业科技有限公司 人脸表情识别的方法和装置
CN105740838A (zh) * 2016-02-06 2016-07-06 河北大学 针对不同尺度人脸图像的识别方法
CN109002765A (zh) * 2018-06-21 2018-12-14 北京蜂盒科技有限公司 一种动态人脸识别数据处理方法及系统
CN109117714A (zh) * 2018-06-27 2019-01-01 北京旷视科技有限公司 一种同行人员识别方法、装置、系统及计算机存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHEOL-HWAN YOO ET AL.: "High-dimensional feature extraction using bit-plane decomposition of local binary patterns for robust face recognition", 《J. VIS. COMMUN. IMAGE R.》 *
郭鹏程: "人脸识别系统在铁路客运站房中的应用研究", 《中国科技信息》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191532A (zh) * 2019-12-18 2020-05-22 深圳供电局有限公司 基于施工区域的人脸识别方法、装置、计算机设备
CN111191532B (zh) * 2019-12-18 2023-08-25 深圳供电局有限公司 基于施工区域的人脸识别方法、装置、计算机设备
CN111460994A (zh) * 2020-03-31 2020-07-28 佛山科学技术学院 基于人脸识别的防丢失助行器、控制方法及存储介质
CN111460994B (zh) * 2020-03-31 2023-04-25 佛山科学技术学院 基于人脸识别的防丢失助行器、控制方法及存储介质
CN113283305A (zh) * 2021-04-29 2021-08-20 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113283305B (zh) * 2021-04-29 2024-03-26 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113434573A (zh) * 2021-06-29 2021-09-24 中国科学院自动化研究所 多维度图像检索系统、方法及设备
CN113361492A (zh) * 2021-07-19 2021-09-07 南京邮电大学 一种基于正交三角分解的光照不变特征提取方法
CN113361492B (zh) * 2021-07-19 2023-10-24 南京邮电大学 一种基于正交三角分解的光照不变特征提取方法

Also Published As

Publication number Publication date
CN110210340B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN110210340A (zh) 一种人脸特征值比对方法及其系统、可读存储介质
CN109325443B (zh) 一种基于多实例多标签深度迁移学习的人脸属性识别方法
CN108197532B (zh) 人脸识别的方法、装置及计算机装置
WO2020228446A1 (zh) 模型训练方法、装置、终端及存储介质
US20220172450A1 (en) Depth-based object re-identification
Moghaddam et al. Face recognition using view-based and modular eigenspaces
CN105139040A (zh) 一种排队状态信息检测方法及其系统
WO2007117615A1 (en) Identifying unique objects in multiple image collections
Lepsøy et al. Statistical modelling of outliers for fast visual search
CN109086697A (zh) 一种人脸数据处理方法、装置及存储介质
US20220254134A1 (en) Region recognition method, apparatus and device, and readable storage medium
Khalid et al. Resolution invariant face recognition using a distillation approach
CN107038400A (zh) 人脸识别装置及方法和利用其的目标人跟踪装置及方法
WO2023221713A1 (zh) 图像编码器的训练方法、装置、设备及介质
CN109670423A (zh) 一种基于深度学习的图像识别系统、方法及介质
Yang et al. Increaco: incrementally learned automatic check-out with photorealistic exemplar augmentation
CN112633340B (zh) 目标检测模型训练、检测方法、设备及存储介质
Sharmila et al. Automatic Attendance System based on FaceRecognition using Machine Learning
Sun et al. Multitask multigranularity aggregation with global-guided attention for video person re-identification
Srigurulekha et al. Food image recognition using CNN
CN117036897A (zh) 一种基于Meta RCNN的少样本目标检测方法
Takalkar et al. Improving micro-expression recognition accuracy using twofold feature extraction
Liu et al. Fast tracking via spatio-temporal context learning based on multi-color attributes and pca
CN109800719B (zh) 基于分部件和压缩字典稀疏表示的低分辨率人脸识别方法
Mishra DHFML: deep heterogeneous feature metric learning for matching photograph and cartoon pairs

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