CN110909678B - 一种基于宽度学习网络特征提取的人脸识别方法及系统 - Google Patents
一种基于宽度学习网络特征提取的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN110909678B CN110909678B CN201911156472.5A CN201911156472A CN110909678B CN 110909678 B CN110909678 B CN 110909678B CN 201911156472 A CN201911156472 A CN 201911156472A CN 110909678 B CN110909678 B CN 110909678B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- feature
- node
- face 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Abstract
本发明涉及一种基于宽度学习网络特征提取的人脸识别方法及系统,所述方法首先对数据库中的人脸图像进行预处理,生成预处理后的人脸图像;对预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域;然后基于宽度学习网络提取所述图像区域的人脸特征向量;采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型;将待识别的人脸特征向量输入所述人脸识别模型,即可输出人脸识别结果。本发明将宽度学习网络特征提取的方法应用于人脸识别,提取出能够有效、准确、稳定表征人脸特征的人脸特征向量,基于人脸特征向量训练支持向量机模型进行人脸识别,其准确率更高,识别波动范围更小,具有更好的鲁棒性。
Description
技术领域
本发明涉及计算机视觉领域,特别是涉及一种基于宽度学习网络特征提取的人脸识别方法及系统。
背景技术
人脸识别在近二十年内取得了飞速的发展。由于人脸识别在实时性、友好度、成本低等方面的表现更为突出,因而是一种被广泛使用的生物识别技术。尤其是在公共安全、金融、机场、地铁等多个需要对人员身份进行识别的领域都有广泛的应用前景。人脸图像的采集不同于指纹、掌纹,指纹、掌纹的识别需要接触指掌纹专用采集设备,很容易引起被采集者的反感,而人脸图像采集的设备是摄像头,无需接触。同时,人脸是一个人出生之后暴露在外的生物特征,因此人脸的采集并不像指掌纹采集那样难以让人接受。
在人脸识别中,最关键的步骤就是提取人脸特征,然而人脸图像中存在各种难以预测的变化因素,如拍照角度、距离、光照、表情、行迹、分辨率等,这些因素容易导致训练样本与预测图像的严重数据偏差。因而,研究寻找人脸图像中的不变特征量具有重要意义,当图像有光照变化、拍摄视点变化时,这些特征具有不变性。特征提取不仅能够能够降低图像的维度还能去除一些噪声的干扰。对于特征提取方法的选择,传统的特征提取方法只能提取到样本中很少的特征信息,并且容易受到噪声(光照、姿态的变化)的干扰,因而无法保证人脸识别精度。
发明内容
本发明的目的是提供一种基于宽度学习网络特征提取的人脸识别方法及系统,以解决传统的特征提取方法只能提取到样本中很少的特征信息,造成人脸识别精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种基于宽度学习网络特征提取的人脸识别方法,所述人脸识别方法包括:
获取数据库中的人脸图像;
对所述人脸图像进行预处理,生成预处理后的人脸图像;
对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域;
基于宽度学习网络提取所述图像区域的人脸特征向量;
采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型;
获取待检测人脸图像的待识别人脸特征向量;
将所述待识别人脸特征向量输入所述人脸识别模型,输出人脸识别结果。
可选的,所述对所述人脸图像进行预处理,生成预处理后的人脸图像,具体包括:
将所述人脸图像裁剪为预设尺寸,生成裁剪后人脸图像;
将所述裁剪后人脸图像由RGB图像转换为灰度图像,生成预处理后的人脸图像。
可选的,所述对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域,具体包括:
采用空间几何变化算法对所述预处理后的人脸图像进行人脸检测,定位出人脸轮廓区域作为人脸特征所在的图像区域。
可选的,所述基于宽度学习网络提取所述图像区域的人脸特征向量,具体包括:
根据所述图像区域的人脸特征,采用公式生成宽度学习网络输入层的特征节点;其中Zi表示第i个特征节点;i=1,...n;n为输入层特征节点的数量;/>为特征节点的激活函数;X表示人脸图像中人脸特征所在的图像区域;Wei为第i个特征节点的权重矩阵;βei为第i个特征节点的偏差;
根据所述特征节点,采用公式Hj=ε(ZnWhj+βhj)生成所述特征节点的增强节点;其中Hj表示第j个增强节点;j=1,...m;m为输入层增强节点的数量;ε为增强节点的激活函数;Zn=[Z1,Z2,...,Zn]表示所有特征节点的集合;Whj为第j个增强节点的权重矩阵;βhj为第j个增强节点的偏差;
根据所述特征节点和所述增强节点,采用公式求解所述宽度学习网络的连接权重矩阵Wm;其中λ表示正则化系数,I表示单位矩阵,Zn表示所有特征节点的集合;Hm=[H1,H2,...,Hm]表示所有增强节点的集合;
根据所述连接权重矩阵Wm,采用公式X1=X(Wm)-1生成所述图像区域的人脸特征向量X1。
可选的,所述采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型,具体包括:
将所述人脸特征向量X1作为支持向量机分类器的输入,将与所述人脸特征向量X1对应的数据标签Y作为所述支持向量机分类器的输出,对所述向量机分类器进行训练,生成训练好的人脸识别模型。
一种基于宽度学习网络特征提取的人脸识别系统,所述人脸识别系统包括:
人脸图像获取模块,用于获取数据库中的人脸图像;
图像预处理模块,用于对所述人脸图像进行预处理,生成预处理后的人脸图像;
人脸定位模块,用于对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域;
人脸特征提取模块,用于基于宽度学习网络提取所述图像区域的人脸特征向量;
模型训练模块,用于采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型;
待识别特征获取模块,用于获取待检测人脸图像的待识别人脸特征向量;
人脸识别模块,用于将所述待识别人脸特征向量输入所述人脸识别模型,输出人脸识别结果。
可选的,所述图像预处理模块具体包括:
尺寸裁剪单元,用于将所述人脸图像裁剪为预设尺寸,生成裁剪后人脸图像;
图像转换单元,用于将所述裁剪后人脸图像由RGB图像转换为灰度图像,生成预处理后的人脸图像。
可选的,所述对所述人脸定位模块具体包括:
人脸定位单元,用于采用空间几何变化算法对所述预处理后的人脸图像进行人脸检测,定位出人脸轮廓区域作为人脸特征所在的图像区域。
可选的,所述人脸特征提取模块具体包括:
特征节点生成单元,用于根据所述图像区域的人脸特征,采用公式生成宽度学习网络输入层的特征节点;其中Zi表示第i个特征节点;i=1,...n;n为输入层特征节点的数量;/>为特征节点的激活函数;X表示人脸图像中人脸特征所在的图像区域;Wei为第i个特征节点的权重矩阵;βei为第i个特征节点的偏差;
增强节点生成单元,用于根据所述特征节点,采用公式Hj=ε(ZnWhj+βhj)生成所述特征节点的增强节点;其中Hj表示第j个增强节点;j=1,...m;m为输入层增强节点的数量;ε为增强节点的激活函数;Zn=[Z1,Z2,...,Zn]表示所有特征节点的集合;Whj为第j个增强节点的权重矩阵;βhj为第j个增强节点的偏差;
连接权重计算单元,用于根据所述特征节点和所述增强节点,采用公式求解所述宽度学习网络的连接权重矩阵Wm;其中λ表示正则化系数,I表示单位矩阵,Zn表示所有特征节点的集合;Hm=[H1,H2,...,Hm]表示所有增强节点的集合;
人脸特征向量生成单元,用于根据所述连接权重矩阵Wm,采用公式X1=X(Wm)-1生成所述图像区域的人脸特征向量X1。
可选的,所述模型训练模块具体包括:
模型训练单元,用于将所述人脸特征向量X1作为支持向量机分类器的输入,将与所述人脸特征向量X1对应的数据标签Y作为所述支持向量机分类器的输出,对所述向量机分类器进行训练,生成训练好的人脸识别模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于宽度学习网络特征提取的人脸识别方法及系统,所述方法首先对数据库中的人脸图像进行预处理,生成预处理后的人脸图像;对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域;然后基于宽度学习网络提取所述图像区域的人脸特征向量;采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型;将待识别的人脸特征向量输入所述人脸识别模型,即可输出人脸识别结果。本发明将宽度学习网络特征提取的方法应用于人脸识别,基于宽度学习网络提取能够有效、准确、稳定表征人脸特征的人脸特征向量,基于人脸特征向量训练支持向量机分类模型进行人脸识别,其准确率更高,识别波动范围更小,具有更好的鲁棒性。此外,本发明在保证人脸识别精度的前提下,还具有设计简单、应用性较强的优点。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于宽度学习网络特征提取的人脸识别方法的流程图;
图2为本发明提供的基于宽度学习网络特征提取的人脸识别方法的原理图:
图3为本发明提供的基于宽度学习网络特征提取的人脸识别系统的结构图。
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。
本发明的目的是提供一种基于宽度学习网络特征提取的人脸识别方法及系统,以解决传统的特征提取方法只能提取到样本中很少的特征信息,造成人脸识别精度低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的基于宽度学习网络特征提取的人脸识别方法的流程图,图2为本发明提供的基于宽度学习网络特征提取的人脸识别方法的原理图。参见图1和图2,本发明一种基于宽度学习网络特征提取的人脸识别方法,具体包括:
步骤101:获取数据库中的人脸图像。
所述人脸图像为RGB图像。
步骤102:对所述人脸图像进行预处理,生成预处理后的人脸图像。
对所获取的人脸图像统一裁剪成同一尺寸,并将图像的RGB转换为灰度图像,便于下一步的特征提取。
所述步骤102具体包括:
将所述人脸图像裁剪为预设尺寸,生成裁剪后人脸图像;所述预设尺寸为100×100像素;
将所述裁剪后人脸图像由RGB图像转换为灰度图像,生成预处理后的人脸图像。
步骤103:对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域。
利用空间几何变化算法进行人脸定位,人脸定位是为了寻找到图像中的人脸轮廓,提取到的图像区域中只包括人脸,以避免其他部位造成干扰。
所述步骤103具体包括:
采用空间几何变化算法对所述预处理后的人脸图像进行人脸检测,定位出人脸轮廓区域作为人脸特征所在的图像区域。
步骤104:基于宽度学习网络提取所述图像区域的人脸特征向量。
本发明基于宽度学习网络提取所述图像区域的人脸特征向量,所述宽度学习网络包括输入层和输出层。根据步骤103中定位的图像区域的特征生成特征节点和增强节点,作为所述宽度学习网络的输入层。
所述宽度学习网络输入层的特征节点可以通过公式(1)表示:
其中Zi表示宽度学习网络的第i个特征节点;i=1,...n;n为输入层特征节点的数量。为特征节点的激活函数;X表示人脸图像中人脸特征所在的图像区域;Wei为第i个特征节点的权重矩阵;βei为第i个特征节点的偏差。
所述宽度学习网络输入层的增强节点可以通过公式(2)表示:
Hj=ε(ZnWhj+βhj) (2)
其中Hj表示宽度学习网络的第j个增强节点;j=1,...m;m为输入层增强节点的数量。ε为增强节点的激活函数;Zn=[Z1,Z2,...,Zn]表示所有特征节点的集合;Whj为第j个增强节点的权重矩阵;βhj为第j个增强节点的偏差。
宽度学习网络的输出可以由公式(3)表示:
X=[Zn|Hm]Wm (3)
其中Zn=[Z1,Z2,...,Zn]表示所有特征节点的集合;Hm=[H1,H2,...,Hm]表示所有增强节点的集合。[Zn|Hm]表示所有特征节点和增强节点的列拼接。Wm表示宽度学习网络中所有的连接权重。宽度学习的输出是图像区域X。
公式(3)中的Wm表示了宽度学习网络从输入数据中学到的特征表示,具体的求解过程由公式(4)得到:
其中Wm表示所述宽度学习网络的连接权重矩阵;λ表示正则化系数,I表示单位矩阵,Zn表示所有特征节点的集合;Hm表示所有增强节点的集合。
根据所述连接权重矩阵Wm可以生成所述图像区域的人脸特征向量X1:
X1=X(Wm)-1 (5)
其中X1就是基于宽度学习网络得到的人脸图像的所述图像区域X对应的人脸特征向量。
步骤105:采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型。
假设(X1,Y)为人脸图像的数据集,X1为步骤104提取的人脸特征向量,X1∈Rm×n,Rm ×n为m×n维的特征空间。Y是X1对应的数据标签,Y∈RC,Rc是指c维空间。数据标签就是人脸图像对应的分类结果。
对数据库中的各个所述人脸图像按照步骤102~104进行特征提取,生成多个数据集(X1,Y)以构建人脸特征库。将人脸特征库中的所有数据集(X1,Y)划分为训练集和测试集。利用所述训练集进行分类器的训练,构建基础模型,利用所述测试集和训练完成后的基础模型进行测试对比,验证基础模型的人脸识别效果。
所述人脸识别模型的训练方法具体包括:
将所述人脸特征向量X1作为支持向量机分类器的输入,将与所述人脸特征向量X1对应的数据标签Y作为所述支持向量机分类器的输出,对所述向量机分类器进行训练,生成基础模型;
采用所述测试集测试所述基础模型的识别精度,判断所述识别精度是否大于预设阈值(通常为90%);若所述基础模型的识别精度大于90%,则将所述基础模型作为训练好的人脸识别模型进行输出。若所述基础模型的识别精度小于或等于90%,则返回所述步骤101,重新提取人脸图像的人脸特征向量进行基础模型训练,直到基础模型的人脸识别精度大于90%,生成训练好的人脸识别模型。
步骤106:获取待检测人脸图像的待识别人脸特征向量。
对于待检测的人脸图像,首先按照步骤102~104进行特征提取,获得待检测人脸图像的待识别人脸特征向量。然后将所述待识别人脸特征向量输入训练好的人脸识别模型,即可输出人脸识别结果。
步骤107:将所述待识别人脸特征向量输入所述人脸识别模型,输出人脸识别结果。
本发明通过调节特征节点和增强节点的数量获得不同量级的特征表示。根据样本数据中的标签Y与得到的人脸特征向量X1一一相对应划分为训练集和测试集。根据获得的不同量级的训练集和测试集,使用支持向量机进行模型的搭建。将训练集输入到支持向量机得到基础模型,最后将测试集放入训练好的模型进行测试并得到识别结果。本发明将宽度学习网络特征提取的方法应用于人脸识别,提取的人脸特征向量X1能够有效、准确且稳定的表征人脸图像中的特征,当图像有光照变化、拍摄视点变化时,本发明提取的特征X1具有不变性。本发明采用提取的人脸特征向量X1训练支持向量机分类器进行人脸识别,能够提高人脸识别精度,其准确率更高,识别波动范围更小,具有更好的鲁棒性。进一步的,本发明方法在保证识别精度的前提下,还具有设计简单、应用性较强的优点。
基于本发明提供的人脸识别方法,本发明还提供一种基于宽度学习网络特征提取的人脸识别系统,参见图3,所述人脸识别系统包括:
人脸图像获取模块301,用于获取数据库中的人脸图像;
图像预处理模块302,用于对所述人脸图像进行预处理,生成预处理后的人脸图像;
人脸定位模块303,用于对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域;
人脸特征提取模块304,用于基于宽度学习网络提取所述图像区域的人脸特征向量;
模型训练模块305,用于采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型;
待识别特征获取模块306,用于获取待检测人脸图像的待识别人脸特征向量;
人脸识别模块307,用于将所述待识别人脸特征向量输入所述人脸识别模型,输出人脸识别结果。
所述图像预处理模块302具体包括:
尺寸裁剪单元,用于将所述人脸图像裁剪为预设尺寸,生成裁剪后人脸图像;
图像转换单元,用于将所述裁剪后人脸图像由RGB图像转换为灰度图像,生成预处理后的人脸图像。
所述对所述人脸定位模块303具体包括:
人脸定位单元,用于采用空间几何变化算法对所述预处理后的人脸图像进行人脸检测,定位出人脸轮廓区域作为人脸特征所在的图像区域。
所述人脸特征提取模块304具体包括:
特征节点生成单元,用于根据所述图像区域的人脸特征,采用公式生成宽度学习网络输入层的特征节点;其中Zi表示第i个特征节点;i=1,...n;n为输入层特征节点的数量;/>为特征节点的激活函数;X表示人脸图像中人脸特征所在的图像区域;Wei为第i个特征节点的权重矩阵;βei为第i个特征节点的偏差;
增强节点生成单元,用于根据所述特征节点,采用公式Hj=ε(ZnWhj+βhj)生成所述特征节点的增强节点;其中Hj表示第j个增强节点;j=1,...m;m为输入层增强节点的数量;ε为增强节点的激活函数;Zn=[Z1,Z2,...,Zn]表示所有特征节点的集合;Whj为第j个增强节点的权重矩阵;βhj为第j个增强节点的偏差;
连接权重计算单元,用于根据所述特征节点和所述增强节点,采用公式求解所述宽度学习网络的连接权重矩阵Wm;其中λ表示正则化系数,I表示单位矩阵,Zn表示所有特征节点的集合;Hm=[H1,H2,...,Hm]表示所有增强节点的集合;
人脸特征向量生成单元,用于根据所述连接权重矩阵Wm,采用公式X1=X(Wm)-1生成所述图像区域的人脸特征向量X1。
所述模型训练模块305具体包括:
模型训练单元,用于将所述人脸特征向量X1作为支持向量机分类器的输入,将与所述人脸特征向量X1对应的数据标签Y作为所述支持向量机分类器的输出,对所述向量机分类器进行训练,生成训练好的人脸识别模型。
本发明公开的一种基于宽度学习网络特征提取的人脸识别方法及系统,其内容包括:对采集到的数据库的人脸图像进行预处理;对数据库中的预处理后的人脸图像进行人脸检测以定位人脸特征所在图像区域;将宽度学习网络作为一个特征提取器,通过将人脸图像作为该网络的输入和输出,和通过对损失函数的求解得到的权重矩阵作为输入数据的特征表示,用于构建人脸特征库,人脸特征库分为训练集和测试集;利用所述训练集在支持向量机进行训练,构建基础模型,利用所述测试集和训练完成后的模型进行测试对比,通过支持向量机对这些特征向量进行人脸识别,其准确率更高,识别波动范围更小,具有更好的鲁棒性。
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他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,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。
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;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于宽度学习网络特征提取的人脸识别方法,其特征在于,所述人脸识别方法包括:
获取数据库中的人脸图像;
对所述人脸图像进行预处理,生成预处理后的人脸图像;
对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域;
基于宽度学习网络提取所述图像区域的人脸特征向量;
所述基于宽度学习网络提取所述图像区域的人脸特征向量,具体包括:
根据所述图像区域的人脸特征,采用公式生成宽度学习网络输入层的特征节点;其中Zi表示第i个特征节点;i=1,...n;n为输入层特征节点的数量;/>为特征节点的激活函数;X表示人脸图像中人脸特征所在的图像区域;Wei为第i个特征节点的权重矩阵;βei为第i个特征节点的偏差;
根据所述特征节点,采用公式Hj=ε(ZnWhj+βhj)生成所述特征节点的增强节点;其中Hj表示第j个增强节点;j=1,...m;m为输入层增强节点的数量;ε为增强节点的激活函数;Zn=[Z1,Z2,...,Zn]表示所有特征节点的集合;Whj为第j个增强节点的权重矩阵;βhj为第j个增强节点的偏差;
根据所述特征节点和所述增强节点,采用公式求解所述宽度学习网络的连接权重矩阵Wm;其中λ表示正则化系数,I表示单位矩阵,Zn表示所有特征节点的集合;Hm=[H1,H2,...,Hm]表示所有增强节点的集合;
根据所述连接权重矩阵Wm,采用公式X1=X(Wm)-1生成所述图像区域的人脸特征向量X1;
采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型;
获取待检测人脸图像的待识别人脸特征向量;
将所述待识别人脸特征向量输入所述人脸识别模型,输出人脸识别结果。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述对所述人脸图像进行预处理,生成预处理后的人脸图像,具体包括:
将所述人脸图像裁剪为预设尺寸,生成裁剪后人脸图像;
将所述裁剪后人脸图像由RGB图像转换为灰度图像,生成预处理后的人脸图像。
3.根据权利要求2所述的人脸识别方法,其特征在于,所述对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域,具体包括:
采用空间几何变化算法对所述预处理后的人脸图像进行人脸检测,定位出人脸轮廓区域作为人脸特征所在的图像区域。
4.根据权利要求3所述的人脸识别方法,其特征在于,所述采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型,具体包括:
将所述人脸特征向量X1作为支持向量机分类器的输入,将与所述人脸特征向量X1对应的数据标签Y作为所述支持向量机分类器的输出,对所述向量机分类器进行训练,生成训练好的人脸识别模型。
5.一种基于宽度学习网络特征提取的人脸识别系统,其特征在于,所述人脸识别系统包括:
人脸图像获取模块,用于获取数据库中的人脸图像;
图像预处理模块,用于对所述人脸图像进行预处理,生成预处理后的人脸图像;
人脸定位模块,用于对所述预处理后的人脸图像进行人脸检测,定位人脸特征所在的图像区域;
人脸特征提取模块,用于基于宽度学习网络提取所述图像区域的人脸特征向量;
所述人脸特征提取模块具体包括:
特征节点生成单元,用于根据所述图像区域的人脸特征,采用公式生成宽度学习网络输入层的特征节点;其中Zi表示第i个特征节点;i=1,...n;n为输入层特征节点的数量;/>为特征节点的激活函数;X表示人脸图像中人脸特征所在的图像区域;Wei为第i个特征节点的权重矩阵;βei为第i个特征节点的偏差;
增强节点生成单元,用于根据所述特征节点,采用公式Hj=ε(ZnWhj+βhj)生成所述特征节点的增强节点;其中Hj表示第j个增强节点;j=1,...m;m为输入层增强节点的数量;ε为增强节点的激活函数;Zn=[Z1,Z2,...,Zn]表示所有特征节点的集合;Whj为第j个增强节点的权重矩阵;βhj为第j个增强节点的偏差;
连接权重计算单元,用于根据所述特征节点和所述增强节点,采用公式求解所述宽度学习网络的连接权重矩阵Wm;其中λ表示正则化系数,I表示单位矩阵,Zn表示所有特征节点的集合;Hm=[H1,H2,...,Hm]表示所有增强节点的集合;
人脸特征向量生成单元,用于根据所述连接权重矩阵Wm,采用公式X1=X(Wm)-1生成所述图像区域的人脸特征向量X1;
模型训练模块,用于采用所述人脸特征向量及对应的数据标签训练支持向量机分类器,生成训练好的人脸识别模型;
待识别特征获取模块,用于获取待检测人脸图像的待识别人脸特征向量;
人脸识别模块,用于将所述待识别人脸特征向量输入所述人脸识别模型,输出人脸识别结果。
6.根据权利要求5所述的人脸识别系统,其特征在于,所述图像预处理模块具体包括:
尺寸裁剪单元,用于将所述人脸图像裁剪为预设尺寸,生成裁剪后人脸图像;
图像转换单元,用于将所述裁剪后人脸图像由RGB图像转换为灰度图像,生成预处理后的人脸图像。
7.根据权利要求6所述的人脸识别系统,其特征在于,所述对所述人脸定位模块具体包括:
人脸定位单元,用于采用空间几何变化算法对所述预处理后的人脸图像进行人脸检测,定位出人脸轮廓区域作为人脸特征所在的图像区域。
8.根据权利要求7所述的人脸识别系统,其特征在于,所述模型训练模块具体包括:
模型训练单元,用于将所述人脸特征向量X1作为支持向量机分类器的输入,将与所述人脸特征向量X1对应的数据标签Y作为所述支持向量机分类器的输出,对所述向量机分类器进行训练,生成训练好的人脸识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156472.5A CN110909678B (zh) | 2019-11-22 | 2019-11-22 | 一种基于宽度学习网络特征提取的人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156472.5A CN110909678B (zh) | 2019-11-22 | 2019-11-22 | 一种基于宽度学习网络特征提取的人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909678A CN110909678A (zh) | 2020-03-24 |
CN110909678B true CN110909678B (zh) | 2023-06-20 |
Family
ID=69818716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911156472.5A Active CN110909678B (zh) | 2019-11-22 | 2019-11-22 | 一种基于宽度学习网络特征提取的人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909678B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111929641B (zh) * | 2020-06-19 | 2022-08-09 | 天津大学 | 一种基于宽度学习的快速室内指纹定位方法 |
CN117238018A (zh) * | 2023-09-20 | 2023-12-15 | 华南理工大学 | 基于多粒度的可增量深宽网络活体检测方法、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492625A (zh) * | 2018-12-29 | 2019-03-19 | 中国地质大学(武汉) | 一种基于宽度学习的人脸识别考勤方法 |
CN109685071A (zh) * | 2018-11-30 | 2019-04-26 | 杭州电子科技大学 | 基于共同空间模式特征宽度学习的脑电分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510546B (zh) * | 2015-12-27 | 2017-06-16 | 北京工业大学 | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 |
-
2019
- 2019-11-22 CN CN201911156472.5A patent/CN110909678B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685071A (zh) * | 2018-11-30 | 2019-04-26 | 杭州电子科技大学 | 基于共同空间模式特征宽度学习的脑电分类方法 |
CN109492625A (zh) * | 2018-12-29 | 2019-03-19 | 中国地质大学(武汉) | 一种基于宽度学习的人脸识别考勤方法 |
Non-Patent Citations (2)
Title |
---|
A changing forgetting factor RLS for online identification of nonlinear systems based on ELM-Hammerstein model;Yinggan Tang, Zhenzhen Han, Ying Wang, Linlin Zhang, Qiushen Lian;Neural Computing and Applications;第28卷;813–827 * |
基于RBF神经网络的人脸识别算法;肖南峰;姚永刚;;重庆理工大学学报(自然科学版);24(10);56-67 * |
Also Published As
Publication number | Publication date |
---|---|
CN110909678A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Joint learning of visual attributes, object classes and visual saliency | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
Wu et al. | Metric learning based structural appearance model for robust visual tracking | |
CN111046732B (zh) | 一种基于多粒度语义解析的行人重识别方法及存储介质 | |
Rahman et al. | Person identification using ear biometrics | |
CN112464730B (zh) | 一种基于域无关前景特征学习的行人再识别方法 | |
CN105117708A (zh) | 人脸表情识别的方法和装置 | |
Hussain et al. | Robust pre-processing technique based on saliency detection for content based image retrieval systems | |
Liu et al. | Finger vein recognition using optimal partitioning uniform rotation invariant LBP descriptor | |
CN111508006A (zh) | 一种基于深度学习的运动目标同步检测、识别与跟踪方法 | |
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 | |
Nasser et al. | Signature recognition by using SIFT and SURF with SVM basic on RBF for voting online | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN103942572A (zh) | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 | |
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 | |
CN112257600B (zh) | 一种人脸识别方法及系统 | |
Wan et al. | A facial recognition system for matching computerized composite sketches to facial photos using human visual system algorithms | |
CN108710836A (zh) | 一种基于级联特征提取的唇部检测及读取方法 | |
Guo et al. | Palmprint Recognition Based on Local Fisher Discriminant Analysis. | |
CN112329698A (zh) | 一种基于智慧黑板的人脸识别方法和系统 | |
Li et al. | Face liveness detection based on parallel CNN | |
CN113553947B (zh) | 生成描述多模态行人重识别方法、装置及电子设备 | |
Sivapriyan et al. | Analysis of facial recognition techniques | |
CN114373091A (zh) | 基于深度学习融合svm的步态识别方法 | |
TW201203131A (en) | System and method for hand image 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |