CN110781741A - 基于Relief特征过滤方法的人脸识别方法 - Google Patents
基于Relief特征过滤方法的人脸识别方法 Download PDFInfo
- Publication number
- CN110781741A CN110781741A CN201910894811.3A CN201910894811A CN110781741A CN 110781741 A CN110781741 A CN 110781741A CN 201910894811 A CN201910894811 A CN 201910894811A CN 110781741 A CN110781741 A CN 110781741A
- Authority
- CN
- China
- Prior art keywords
- convolution
- feature
- face recognition
- component
- filtering method
- 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
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
- 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
- G06N3/045—Combinations of 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
- G06V40/172—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)
- Biomedical Technology (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)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Relief特征过滤方法的人脸识别方法,包括以下步骤:步骤1、输入人脸RGB图像,消除有色光的干扰,校正图像色使图像达到色彩平衡;步骤2、对RGB图像进行卷积操作,得到卷积特征图;步骤3、对卷积特征图进行池化操作,得到池化特征图;步骤4、将池化特征图输入至全连接层,输出特征向量;步骤5、利用Relief特征过滤方法对特征向量进行选择;步骤6、将选择后的特征向量分类,根据分类结果,得到人脸识别结果。本发明具有识别速度快、防止过拟合且噪声影响小的有益效果。
Description
技术领域
本发明涉及人脸识别技术领域。更具体地说,本发明涉及一种基于Relief特征过滤方法的人脸识别方法。
背景技术
近年来,由于训练数据的增加以及GPU高性能计算的发展,卷积神经网络在图像领域获得了广泛关注。
人脸识别准确率较高的方法主要是使用卷积神经网络对人脸进行特征提取:利用大量的人脸图像,对卷积神经网络的结构参数进行训练,再使用训练好的卷积神经网络模型对新的人脸图像进行特征提取,然后对这些特征进行分类或回归,进而达到人脸识别的目的。在实际情况中人脸图片有色光干扰、色温偏高等非正常光照会引起图像色彩按一定的规律变化,使得正常肤色可能检测不到,同时许多非肤色呈现肤色状态,导致肤色检测失效,要正确检测肤色像素,须先消除有色光的干扰。
基于卷积神经网络的人脸识别还存在以下问题:一是过拟合,由于训练数据包含抽样误差,训练时,复杂的模型将抽样误差也考虑在内,将抽样误差也进行了很好的拟合,或者数据不够,训练太多拟合了数据中的噪声或没有代表性的特征都会造成过拟合;二是人脸识别的场景中得到的很多图像都包含大片背景区域,进行人脸检测时所截取下来的人脸图像也会包含背景区域,现有的卷积神经网络会将噪声与识别对象结合一起训练,会极大降低识别率;三是卷积神经网络由于处理的图像特征多,计算量大,占用硬件资源大,训练时间长,影响效率。因此,需要一种防止过拟合、且噪声影响小、计算量大的问题。优化的特征提取方法来降低特征提取量,从而缩短提取时间和降低对CPU和GPU硬件的要求。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于Relief特征过滤方法的人脸识别方法,具有识别速度快、防止过拟合且噪声影响小的效果。
为了实现根据本发明的这些目的和其它优点,提供了一种基于Relief特征过滤方法的人脸识别方法,包括以下步骤:
步骤1、输入人脸RGB图像,消除有色光的干扰,校正图像色使图像达到色彩平衡;
步骤2、对RGB图像进行卷积操作,得到卷积特征图;
步骤3、对卷积特征图进行池化操作,得到池化特征图;
步骤4、将池化特征图输入至全连接层,输出特征向量;
步骤5、利用Relief特征过滤方法对特征向量进行选择;
步骤6、将选择后的特征向量分类,根据分类结果,得到人脸识别结果。
优选的是,步骤1中消除有色光干扰引用Shumate的方法,该方法包括以下步骤:
分别计算人脸图像中的R、G、B分量各自的平均值,记为avgR、avgG、avgB,令各分量的平均值趋于平均值,公式为avgI=(avgR+avgG+avgB)/3;
像素P包含R、G、B三通道,对人脸图像中的每一个像素P的R、G、B分量值进行调整,调整公式分别为:R=R×avgI/avgR,G=G×avgI/avgG,B=B×avgI/avgB;
将R、G、B分量值>255的调整为255,其它R、G、B分量值保持不变。
优选的是,步骤2中卷积特征图的获取步骤为:
对卷积核大小、卷积滑动步长、丢弃卷积数据的比例以及卷积方式进行配置;
根据待识别人脸图像尺寸、卷积核大小和卷积滑动步长,计算卷积层大小;
对卷积神经网络中卷积层的特征点进行标记;
根据丢弃卷积数据的比例和卷积方式,计算丢弃数量;
根据标记的特征点和计算得到的丢弃数量,对卷积数据进行随机丢弃操作。
优选的是,步骤2中对卷积数据进行随机丢弃操作具体为:
根据当前CPU内置电阻热噪声取得硬件真随机数;
根据真随机数的编号,丢弃对应编号的卷积数据。
优选的是,步骤2中对卷积数据进行随机丢弃操作之后,还包括以下步骤:
获取丢弃的卷积数据对应的像素点的邻域窗口;
计算邻域窗口内的所有像素点RGB值的平均值,采用该平均值对丢弃像素点进行填充处理。
优选的是,步骤2中对卷积数据进行随机丢弃操作之后,还包括以下步骤:
判断丢弃的卷积数据是否小于计算得到的丢弃数量,若小于,则继续执行根据真随机数的编号丢弃对应编号的卷积数据的步骤,直至丢弃的卷积数据不小于计算得到的丢弃数量;反之,输出卷积层。
优选的是,步骤3中获取池化特征图包括以下步骤:
通过SoftPlus激活函数对卷积特征图进行激活,SoftPlus激活函数为:f(x)=ln(1+ex);
对激活后的卷积特征图进行最大池化操作,得到池化特征图。
优选的是,步骤5中利用Relief特征过滤方法对特征向量进行选择的具体步骤如下:
指定一个阈值r,选择比r大的相关统计量分量所对应的特征向量;
指定要选取的特征向量个数k,选择相关统计量分量δ最大的k个特征;
确定相关统计分量δ:给定训练集{(x1,y1),(x2,y2),Λ,(xn,yn)},对每个实例xi在xi的同类样本中寻找其最近邻xi,nh,称为“猜中近邻”(near-hit),再从xi的异类样本中寻找其最近邻xi,nm,称为“猜错近邻”(near-miss),相关统计分量对应于特征j的分量为
对基于不同样本得到的估计结果进行平均,就得到各特征的相关统计量分量,分量值越大,则对应特征的分类能力就越强。
本发明至少包括以下有益效果:在卷积操作的过程中,采用随机丢弃卷积数据的方法来对减少了噪声影响,能够防止过拟合现象,进行人脸识别时速度快,效率高,进而提高了最终的人脸识别准确率。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明其中一个实施例的方法流程图;
图2为本发明其中一个实施例的丢弃卷积特征的步骤流程图;
图3为本发明其中一个实施例的Relief特征过滤器的选择特征过程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1~3所示,本实施例提供一种基于Relief特征过滤方法的人脸识别方法,包括以下步骤:
步骤1、输入人脸RGB图像,消除有色光的干扰,校正图像色使图像达到色彩平衡;人脸RGB图像获取方法:摄像头采集人脸图像实时传输到电脑中,调整图像大小,读取后的图像调整成统一尺寸大小;
消除有色光干扰引用Shumate的方法,该方法包括以下步骤:
分别计算采集的人脸图像中的R、G、B分量各自的平均值,记为avgR、avgG、avgB,令各分量的平均值趋于平均值avgI,公式为avgI=(avgR+avgG+avgB)/3;
像素P包含R、G、B三通道,对人脸图像中的每一个像素P的R、G、B分量值进行调整,调整公式分别为:R=R×avgI/avgR,G=G×avgI/avgG,B=B×avgI/avgB;
将R、G、B分量值>255的调整为255,其它R、G、B分量值保持不变。
步骤2、对RGB图像进行卷积操作,得到卷积特征图;
卷积特征的获取步骤为:
对卷积核大小、卷积滑动步长、丢弃卷积数据的比例以及卷积方式进行配置;
根据待识别人脸图像尺寸、卷积核大小和卷积滑动步长,计算卷积层大小;
对卷积神经网络中卷积层的特征点进行标记;
根据丢弃卷积数据的比例和卷积方式,计算丢弃数量;
根据标记的特征点和计算得到的丢弃数量,对卷积数据进行随机丢弃操作。
对卷积数据进行随机丢弃操作具体为:根据当前CPU内置电阻热噪声取得硬件真随机数;根据真随机数的编号,丢弃对应编号的卷积数据。
对卷积数据进行随机丢弃操作之后,还包括以下步骤:
判断丢弃的卷积数据是否小于计算得到的丢弃数量,若小于,则继续执行根据真随机数的编号丢弃对应编号的卷积数据的步骤,直至丢弃的卷积数据不小于计算得到的丢弃数量;反之,输出卷积层。
对卷积数据进行随机丢弃操作之后,还包括以下步骤:
获取丢弃的卷积数据对应的像素点的邻域窗口,领域窗口的定义为以该像素点为中心的一个边界上的点的集合;
计算邻域窗口内的所有像素点RGB值的平均值,采用该平均值对丢弃像素点进行填充处理。
步骤3、对卷积特征图进行池化操作,得到池化特征图;
获取池化特征图包括以下步骤:
通过SoftPlus激活函数对卷积特征图进行激活,SoftPlus激活函数为:f(x)=ln(1+ex);
对激活后的卷积特征图进行最大值池化操作,得到池化特征图。
步骤4、将池化特征图输入至全连接层,输出特征向量。
步骤5、利用Relief特征过滤方法对特征向量进行选择;
利用Relief特征过滤方法进行特征选择,步骤如下:
指定一个阈值r,选择比r大的相关统计量分量所对应的特征即可;
指定要选取的特征个数k,然后选择相关统计量分量最大的k个特征:
确定相关统计量δ:
给定训练集{(x1,y1),(x2,y2),Λ,(xn,yn)},对每个实例xi先在xi的同类样本中寻找其最近邻xi,nh,称为“猜中近邻”(near-hit),再从xi的异类样本中寻找其最近邻xi,nm称为“猜错近邻”(near-miss),然后,相关统计量对应于特征j的分量为
对于函数,其中表示样本xi在特征j上的取值,取决于特征j的类型,特征j为连续型, 已规范化到[0,1]区间;对基于不同样本得到的估计结果进行平均,就得到各特征的相关统计量分量,分量值越大,则对应特征的分类能力就越强。
步骤6、将选择后的特征向量分类,根据分类结果,得到人脸识别结果。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (8)
1.基于Relief特征过滤方法的人脸识别方法,其特征在于,包括以下步骤:
步骤1、输入人脸RGB图像,消除有色光的干扰,校正图像色使图像达到色彩平衡;
步骤2、对RGB图像进行卷积操作,得到卷积特征图;
步骤3、对卷积特征图进行池化操作,得到池化特征图;
步骤4、将池化特征图输入至全连接层,输出特征向量;
步骤5、利用Relief特征过滤方法对特征向量进行选择;
步骤6、将选择后的特征向量分类,根据分类结果,得到人脸识别结果。
2.如权利要求1所述的基于Relief特征过滤方法的人脸识别方法,其特征在于,步骤1中消除有色光干扰引用Shumate的方法,该方法包括以下步骤:
分别计算人脸图像中的R、G、B分量各自的平均值,记为avgR、avgG、avgB,令各分量的平均值趋于平均值,公式为avgI=(avgR+avgG+avgB)/3;
像素P包含R、G、B三通道,对人脸图像中的每一个像素P的R、G、B分量值进行调整,调整公式分别为:R=R×avgI/avgR,G=G×avgI/avgG,B=B×avgI/avgB;
将R、G、B分量值>255的调整为255,其它R、G、B分量值保持不变。
3.如权利要求1所述的基于Relief特征过滤方法的人脸识别方法,其特征在于,步骤2中卷积特征图的获取步骤为:
对卷积核大小、卷积滑动步长、丢弃卷积数据的比例以及卷积方式进行配置;
根据待识别人脸图像尺寸、卷积核大小和卷积滑动步长,计算卷积层大小;
对卷积神经网络中卷积层的特征点进行标记;
根据丢弃卷积数据的比例和卷积方式,确定丢弃数量;
根据标记的特征点和计算得到的丢弃数量,对卷积数据进行随机丢弃操作。
4.如权利要求3所述的基于Relief特征过滤方法的人脸识别方法,其特征在于,步骤2中对卷积数据进行随机丢弃操作具体为:
根据当前CPU内置电阻热噪声取得硬件真随机数;
根据真随机数的编号,丢弃对应编号的卷积数据。
5.如权利要求4所述的基于Relief特征过滤方法的人脸识别方法,其特征在于,步骤2中对卷积数据进行随机丢弃操作之后,还包括以下步骤:
获取丢弃的卷积数据对应的像素点的邻域窗口;
计算邻域窗口内的所有像素点RGB值的平均值,采用该平均值对丢弃像素点进行填充处理。
6.如权利要求3所述的基于Relief特征过滤方法的人脸识别方法,其特征在于,步骤2中对卷积数据进行随机丢弃操作之后,还包括以下步骤:
判断丢弃的卷积数据是否小于计算得到的丢弃数量,若小于,则继续执行根据真随机数的编号丢弃对应编号的卷积数据的步骤,直至丢弃的卷积数据不小于计算得到的丢弃数量;反之,输出卷积层。
7.如权利要求1所述的基于Relief特征过滤方法的人脸识别方法,其特征在于,步骤3中获取池化特征图包括以下步骤:
通过SoftPlus激活函数对卷积特征图进行激活,SoftPlus激活函数为:f(x)=ln(1+ex);
对激活后的卷积特征图进行最大池化操作,得到池化特征图。
8.如权利要求3所述的基于Relief特征过滤方法的人脸识别方法,其特征在于,步骤5中利用Relief特征过滤方法对特征向量进行选择的具体步骤如下:
指定一个阈值r,选择比r大的相关统计量分量所对应的特征向量;
指定要选取的特征向量个数k,选择相关统计量分量δ最大的k个特征;
确定相关统计分量δ:给定训练集{(x1,y1),(x2,y2),Λ,(xn,yn)},对每个实例xi在xi的同类样本中寻找其最近邻xi,nh,称为“猜中近邻”(near-hit),再从xi的异类样本中寻找其最近邻xi,nm,称为“猜错近邻”(near-miss),相关统计分量对应于特征j的分量为
对基于不同样本得到的估计结果进行平均,就得到各特征的相关统计量分量,分量值越大,则对应特征的分类能力就越强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894811.3A CN110781741A (zh) | 2019-09-20 | 2019-09-20 | 基于Relief特征过滤方法的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894811.3A CN110781741A (zh) | 2019-09-20 | 2019-09-20 | 基于Relief特征过滤方法的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781741A true CN110781741A (zh) | 2020-02-11 |
Family
ID=69384211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910894811.3A Pending CN110781741A (zh) | 2019-09-20 | 2019-09-20 | 基于Relief特征过滤方法的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781741A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792678A (zh) * | 2021-09-17 | 2021-12-14 | 华院分析技术(上海)有限公司 | 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030007666A1 (en) * | 1998-04-13 | 2003-01-09 | Stewartson James A. | Method and apparatus for relief texture map flipping |
CN106022378A (zh) * | 2016-05-23 | 2016-10-12 | 武汉大学 | 基于摄像头与压力传感器的颈椎病识别方法 |
CN109034204A (zh) * | 2018-07-02 | 2018-12-18 | 西安交通大学 | 一种基于改进卷积神经网络的焊缝缺陷识别方法 |
CN109934132A (zh) * | 2019-02-28 | 2019-06-25 | 北京理工大学珠海学院 | 基于随机丢弃卷积数据的人脸识别方法、系统及存储介质 |
-
2019
- 2019-09-20 CN CN201910894811.3A patent/CN110781741A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030007666A1 (en) * | 1998-04-13 | 2003-01-09 | Stewartson James A. | Method and apparatus for relief texture map flipping |
CN106022378A (zh) * | 2016-05-23 | 2016-10-12 | 武汉大学 | 基于摄像头与压力传感器的颈椎病识别方法 |
CN109034204A (zh) * | 2018-07-02 | 2018-12-18 | 西安交通大学 | 一种基于改进卷积神经网络的焊缝缺陷识别方法 |
CN109934132A (zh) * | 2019-02-28 | 2019-06-25 | 北京理工大学珠海学院 | 基于随机丢弃卷积数据的人脸识别方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
LY豪: "特征选择", 《简书》 * |
齐礼成: "基于人脸识别考勤系统的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792678A (zh) * | 2021-09-17 | 2021-12-14 | 华院分析技术(上海)有限公司 | 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Efficient illuminant estimation for color constancy using grey pixels | |
CN108197546B (zh) | 人脸识别中光照处理方法、装置、计算机设备及存储介质 | |
CN107358242B (zh) | 目标区域颜色识别方法、装置及监控终端 | |
JP2008518344A (ja) | ビデオデータを処理するための方法及びシステム | |
CN112529854B (zh) | 一种噪声估计方法、装置、存储介质及设备 | |
CN112396011B (zh) | 一种基于视频图像心率检测及活体检测的人脸识别系统 | |
CN108765460B (zh) | 基于高光谱图像的空时联合异常检测方法和电子设备 | |
WO2021027329A1 (zh) | 基于图像识别的信息推送方法、装置、及计算机设备 | |
CN110889817B (zh) | 图像融合质量评价方法及装置 | |
CN109543686A (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
CN110781741A (zh) | 基于Relief特征过滤方法的人脸识别方法 | |
CN107945119B (zh) | 基于拜耳模式的图像内相关噪声估计方法 | |
CN112419369A (zh) | 一种抗遮挡实时目标跟踪方法 | |
CN116563768B (zh) | 一种微塑料污染物智能检测方法及系统 | |
CN115546736A (zh) | 基于图像采集的河道采砂监控处理方法及系统 | |
CN111667509B (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 | |
CN114037741A (zh) | 一种基于事件相机的自适应目标检测方法及装置 | |
Takahara et al. | Making background subtraction robust to various illumination changes | |
CN117237939B (zh) | 一种基于图像数据的煲仔炉食品成熟度检测方法及装置 | |
Corcoran et al. | Detection and repair of flash-eye in handheld devices | |
Bae et al. | Skin condition estimation using mobile handheld camera | |
CN114255203B (zh) | 一种鱼苗数量估计方法及系统 | |
KR102617391B1 (ko) | 이미지 신호 프로세서의 제어 방법 및 이를 수행하는 제어 장치 | |
CN115953329B (zh) | 基于视觉的图像处理方法、系统、电子设备及存储介质 |
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: 20200211 |
|
RJ01 | Rejection of invention patent application after publication |