CN111310711B - 基于二维奇异谱分析融合emd的人脸图像识别方法及系统 - Google Patents

基于二维奇异谱分析融合emd的人脸图像识别方法及系统 Download PDF

Info

Publication number
CN111310711B
CN111310711B CN202010141598.1A CN202010141598A CN111310711B CN 111310711 B CN111310711 B CN 111310711B CN 202010141598 A CN202010141598 A CN 202010141598A CN 111310711 B CN111310711 B CN 111310711B
Authority
CN
China
Prior art keywords
image signal
face image
equal
imf
window
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.)
Expired - Fee Related
Application number
CN202010141598.1A
Other languages
English (en)
Other versions
CN111310711A (zh
Inventor
赵楷龙
赵曜
凌永权
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010141598.1A priority Critical patent/CN111310711B/zh
Publication of CN111310711A publication Critical patent/CN111310711A/zh
Application granted granted Critical
Publication of CN111310711B publication Critical patent/CN111310711B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/08—Learning methods
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明公开了基于二维奇异谱分析融合EMD的人脸图像识别方法及系统，采用二维奇异谱分析融合EMD经验模式分解的方法对人脸图像信号进行去噪处理，可以有效滤除图像中的高频部分，相比于单一的SSA和EMD取得更好的去噪效果。同时，采用二维奇异谱分解技术对图像信号进行分解重构，再结合深度学习中的生成对抗神经网络模型，能够有效提高人脸识别的准确率，能更好地识别出人物特征信息。本发明解决了目前由于人脸图像受光照、对比度变化和阴影等影响而导致人脸识别的准确性低的问题。

Description

基于二维奇异谱分析融合EMD的人脸图像识别方法及系统
技术领域
本发明涉及人脸图像识别技术领域，尤其涉及基于二维奇异谱分析融合EMD的人脸图像识别方法及系统。
背景技术
近十年来，计算机视觉技术发展迅速，图像处理相关的软硬件技术也随之兴起，数字图像已经成为信息社会的主要发展方向，各种图像处理与分析的需求和应用也加速该技术的发展。而人脸识别是一种基于脸部特征信息进行身份识别的技术，能够自动在图像中检测和跟踪人脸，在智能监控领域有广泛应用。根据资料，2017年生物识别技术全球市场规模上升到了172亿美元，到2020年，预计全世界的生物识别市场规模有可能达到240亿美元。但是由于人体外貌的差异性以及个体间的穿衣打扮的不同，以及环境引起的光照、对比度变化和阴影等问题，都会给人脸图像引入噪声，影响后续人脸识别处理的准确性。
发明内容
本发明为解决由于人脸图像受光照、对比度变化和阴影等影响而导致人脸识别的准确性低等问题，提供了基于二维奇异谱分析融合EMD的人脸图像识别方法及系统。
为实现以上发明目的，而采用的技术手段是：
基于二维奇异谱分析融合EMD的人脸图像识别方法，包括以下步骤：
S1.获取原始人脸图像信号X，对其进行预处理后得到图像信号I0；
S2.基于二维奇异谱分析方法进行原始人脸图像信号X的重构，得到重构图像信号I1；
S3.对所述重构图像信号I1进行EMD经验模式分解得到滤波图像信号I2，将所述滤波图像信号I2划分为训练集及测试集；
S4.构建对抗神经网络并输入训练集对其进行训练，得到人脸图像识别模型；
S5.将所述测试集输入训练好的对抗神经网络，得到人脸图像识别结果。
上述方案中，针对人脸图像易在光照、对比度变化和阴影等因素下引入噪声的现象，通过二维奇异谱分析方法对带有噪声信号的人脸图像信号进行分组重构，根据奇异值分解进行分组筛选，得到滤波后带有少量噪声的二维信号，对该信号进行EMD经验模式分解，利用IMF本征模函数进行重构，得到完整滤波后的新图像信号，最后使用对抗神经网络进行训练，从而获得更高精确度的人脸模型，实现人脸的准确辨别。
优选的，所述步骤S1具体为：
获取原始人脸图像信号X，该原始人脸图像信号X中带有高斯白噪声，将X表示为I0，得到维度为h*w的图像信号I0：
I0＝X
优选的，所述步骤S2的具体步骤包括：
S21.定义宽、高为u*v的窗口长度，其中1≤u≤h，1≤v≤w，将该窗口长度放在图像信号I0上，把窗口左上角定义为窗口参考点，窗口参考点的位置为(i,j)，其中1≤i≤h-u，1≤j≤w-v；其中h、w分别为图像信号I0尺寸的高度和宽度；
S22.将窗口从左到右，从上到下进行移动，窗口参考点的位置随之变化，即：
Figure BDA0002398051710000021
S23.根据窗口参考点的位置定义窗口为Wi,j，则：
Figure BDA0002398051710000022
S24.利用窗口Wi,j将图像信号I0进行滞后排序得到轨迹矩阵Z，即：
Z＝(W1,1,W1,2,…,W1,v,W2,1,…,W2,v,…,Wu,v)
S25.对轨迹矩阵Z进行奇异值分解，得到左矩阵U，右矩阵V，奇异值Σ，即：
Z＝UΣVT
S26.计算轨迹矩阵Z在Um上的投影
Figure BDA0002398051710000023
通过时间经验正交函数和时间主成分进行重构，得到重构图像信号I1；重构过程如下：
Figure BDA0002398051710000024
其中I1表示重构后的图像信号，
Figure BDA0002398051710000025
表示轨迹矩阵Z的投影向量，Uj表示特征值λj对应的特征向量，反映了时间序列的演变型；k表示奇异值按从大到小排序的第k个成分。
在本优选方案中，通过二维奇异谱分析方法对带有噪声信号的人脸图像信号进行分组重构，根据奇异值分解进行分组筛选，从而使得人脸图像信号仅包含少量噪声。
优选的，步骤S3中所述的对所述图像信号I1进行EMD经验模式分解得到滤波图像信号I2具体为：
对重构图像信号I1进行EMD经验模式分解，获得M个IMF本征模函数，M≥2；
对每个IMF本征模函数进行傅立叶变换，得到其频谱图；
根据频谱图判断重构图像信号I1中的噪声分布，去除其中的高频成分；
对IMF本征模函数进行重构得到滤波图像信号I2，即：
I2＝IMF1+IMF2+…+IMFM-1
其中IMF的下标M-1表示第M-1个IMF本征模函数。
优选的，步骤S4所构建的对抗神经网络为GAN生成对抗神经网络。
本发明还提供了基于二维奇异谱分析融合EMD的人脸图像识别系统，包括：
人脸图像信号获取及预处理模块，用于获取原始人脸图像信号X，对其进行预处理后得到图像信号I0；
图像信号重构模块，用于进行原始人脸图像信号X的重构，得到重构图像信号I1；
图像信号滤波模块，用于对所述重构图像信号I1进行EMD经验模式分解得到滤波图像信号I2，将所述滤波图像信号I2划分为训练集及测试集；
人脸图像识别模型构建模块，用于构建对抗神经网络并输入训练集对其进行训练，得到人脸图像识别模型；
人脸图像识别模块，用于将所述测试集输入训练好的对抗神经网络，得到人脸图像识别结果。
上述方案中，针对人脸图像易在光照、对比度变化和阴影等因素下引入噪声的现象，通过图像信号重构模块对带有噪声信号的人脸图像信号进行分组重构，根据奇异值分解进行分组筛选，得到滤波后带有少量噪声的二维信号，利用图像信号滤波模块对该信号进行EMD经验模式分解，利用IMF本征模函数进行重构，得到完整滤波后的新图像信号，最后使用人脸图像识别模型构建模块得到的对抗神经网络进行训练，从而获得更高精确度的人脸模型，实现人脸的准确辨别。
优选的，所述人脸图像信号获取及预处理模块进一步用于：
获取原始人脸图像信号X，该原始人脸图像信号X中带有高斯白噪声，将X表示为I0，得到维度为h*w的图像信号I0：
I0＝X
优选的，所述图像信号重构模块进一步用于：
定义宽、高为u*v的窗口长度，其中1≤u≤h，1≤v≤w，将该窗口长度放在图像信号I0上，把窗口左上角定义为窗口参考点，窗口参考点的位置为(i,j)，其中1≤i≤h-u，1≤j≤w-v；其中h、w分别为图像信号I0尺寸的高度和宽度；
将窗口从左到右，从上到下进行移动，窗口参考点的位置随之变化，即：
Figure BDA0002398051710000041
根据窗口参考点的位置定义窗口为Wi,j，则：
Figure BDA0002398051710000042
利用窗口Wi,j将图像信号I0进行滞后排序得到轨迹矩阵Z，即：
Z＝(W1,1,W1,2,…,W1,v,W2,1,…,W2,v,…,Wu,v)
对轨迹矩阵Z进行奇异值分解，得到左矩阵U，右矩阵V，奇异值Σ，即：
Z＝UΣVT
计算轨迹矩阵Z在Um上的投影
Figure BDA0002398051710000043
通过时间经验正交函数和时间主成分进行重构，得到重构图像信号I1；重构过程如下：
Figure BDA0002398051710000044
其中I1表示重构后的图像信号，
Figure BDA0002398051710000045
表示轨迹矩阵Z的投影向量，Uj表示特征值λj对应的特征向量，反映了时间序列的演变型。
优选的，所述图像信号滤波模块进一步用于：
对重构图像信号I1进行EMD经验模式分解，获得M个IMF本征模函数，M≥2；
对每个IMF本征模函数进行傅立叶变换，得到其频谱图；
根据频谱图判断重构图像信号I1中的噪声分布，去除其中的高频成分；
对IMF本征模函数进行重构得到滤波图像信号I2，即：
I2＝IMF1+IMF2+…+IMFM-1
其中IMF的下标M-1表示第M-1个IMF本征模函数。
将所述滤波图像信号I2划分为训练集及测试集。
优选的，所述人脸图像识别模型构建模块中所构建的对抗神经网络为GAN生成对抗神经网络。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的基于二维奇异谱分析融合EMD的人脸图像识别方法及系统，采用二维奇异谱分析融合EMD经验模式分解的方法对人脸图像信号进行去噪处理，可以有效滤除图像中的高频部分，相比于单一的SSA和EMD取得更好的去噪效果。同时，采用二维奇异谱分解技术对图像信号进行分解重构，再结合深度学习中的生成对抗神经网络模型，能够有效提高人脸识别的准确率，能更好地识别出人物特征信息。本发明解决了目前由于人脸图像受光照、对比度变化和阴影等影响而导致人脸识别的准确性低的问题。
附图说明
图1为实施例1的方法流程图。
图2为实施例2的系统模块图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供了基于二维奇异谱分析融合EMD的人脸图像识别方法，如图1所示，包括以下步骤：
S1.获取原始人脸图像信号X，对其进行预处理后得到图像信号I0，具体为：
获取原始人脸图像信号X，该原始人脸图像信号X中带有高斯白噪声，将X表示为I0，得到维度为h*w的图像信号I0：
I0＝X
S2.基于二维奇异谱分析方法进行原始人脸图像信号X的重构，得到重构图像信号I1；具体为：
S21.定义宽、高为u*v的窗口长度，其中1≤u≤h，1≤v≤w，将该窗口长度放在图像信号I0上，把窗口左上角定义为窗口参考点，窗口参考点的位置为(i,j)，其中1≤i≤h-u，1≤j≤w-v；其中h、w分别为图像信号I0尺寸的高度和宽度；
S22.将窗口从左到右，从上到下进行移动，窗口参考点的位置随之变化，即：
Figure BDA0002398051710000061
S23.根据窗口参考点的位置定义窗口为Wi,j，则：
Figure BDA0002398051710000062
S24.利用窗口Wi,j将图像信号I0进行滞后排序得到轨迹矩阵Z，即：
Z＝(W1,1,W1,2,…,W1,v,W2,1,…,W2,v,…,Wu,v)
S25.对轨迹矩阵Z进行奇异值分解，得到左矩阵U，右矩阵V，奇异值Σ，即：
Z＝UΣVT
S26.计算轨迹矩阵Z在Um上的投影
Figure BDA0002398051710000063
通过时间经验正交函数和时间主成分进行重构，得到重构图像信号I1；重构过程如下：
Figure BDA0002398051710000064
其中I1表示重构后的图像信号，
Figure BDA0002398051710000065
表示轨迹矩阵Z的投影向量，Uj表示特征值λj对应的特征向量，反映了时间序列的演变型；k表示奇异值按从大到小排序的第k个成分。
S3.对所述重构图像信号I1进行EMD经验模式分解得到滤波图像信号I2，将所述滤波图像信号I2划分为训练集及测试集；具体为：
对重构图像信号I1进行EMD经验模式分解，获得M个IMF本征模函数，M≥2；
对每个IMF本征模函数进行傅立叶变换，得到其频谱图；
根据频谱图判断重构图像信号I1中的噪声分布，去除其中的高频成分；
对IMF本征模函数进行重构得到滤波图像信号I2，即：
I2＝IMF1+IMF2+…+IMFM-1
其中IMF的下标M-1表示第M-1个IMF本征模函数。
S4.构建GAN生成对抗神经网络，输入训练集对其进行训练，得到人脸图像识别模型；将输入训练好的GAN生成对抗神经网络进行识别，并计算该GAN生成对抗神经网络的准确率；
S5.将所述测试集输入训练好的对抗神经网络，得到人脸图像识别结果。
实施例2
本实施例提供了基于二维奇异谱分析融合EMD的人脸图像识别系统，如图2所示，包括：
人脸图像信号获取及预处理模块1，用于获取原始人脸图像信号X，对其进行预处理后得到图像信号I0；具体用于：
获取原始人脸图像信号X，该原始人脸图像信号X中带有高斯白噪声，将X表示为I0，得到维度为h*w的图像信号I0：
I0＝X
图像信号重构模块2，用于进行原始人脸图像信号X的重构，得到重构图像信号I1；具体用于：
定义宽、高为u*v的窗口长度，其中1≤u≤h，1≤v≤w，将该窗口长度放在图像信号I0上，把窗口左上角定义为窗口参考点，窗口参考点的位置为(i,j)，其中1≤i≤h-u，1≤j≤w-v；其中h、w分别为图像信号I0尺寸的高度和宽度；
将窗口从左到右，从上到下进行移动，窗口参考点的位置随之变化，即：
Figure BDA0002398051710000071
根据窗口参考点的位置定义窗口为Wi,j，则：
Figure BDA0002398051710000072
利用窗口Wi,j将图像信号I0进行滞后排序得到轨迹矩阵Z，即：
Z＝(W1,1,W1,2,…,W1,v,W2,1,…,W2,v,…,Wu,v)
对轨迹矩阵Z进行奇异值分解，得到左矩阵U，右矩阵V，奇异值Σ，即：
Z＝UΣVT
计算轨迹矩阵Z在Um上的投影
Figure BDA0002398051710000081
通过时间经验正交函数和时间主成分进行重构，得到重构图像信号I1；重构过程如下：
Figure BDA0002398051710000082
其中I1表示重构后的图像信号，
Figure BDA0002398051710000083
表示轨迹矩阵Z的投影向量，Uj表示特征值λj对应的特征向量，反映了时间序列的演变型。
图像信号滤波模块3，用于对所述重构图像信号I1进行EMD经验模式分解得到滤波图像信号I2，将所述滤波图像信号I2划分为训练集及测试集；进一步用于：
对重构图像信号I1进行EMD经验模式分解，获得M个IMF本征模函数，M≥2；
对每个IMF本征模函数进行傅立叶变换，得到其频谱图；
根据频谱图判断重构图像信号I1中的噪声分布，去除其中的高频成分；
对IMF本征模函数进行重构得到滤波图像信号I2，即：
I2＝IMF1+IMF2+…+IMFM-1
其中IMF的下标M-1表示第M-1个IMF本征模函数。
将所述滤波图像信号I2划分为训练集及测试集。
人脸图像识别模型构建模块4，用于构建GAN生成对抗神经网络并输入训练集对其进行训练，得到人脸图像识别模型；
人脸图像识别模块5，用于将所述测试集输入训练好的对抗神经网络，得到人脸图像识别结果，并计算该GAN生成对抗神经网络的准确性。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，包括以下步骤：
S1.获取原始人脸图像信号X，对其进行预处理后得到图像信号I0；
S2.基于二维奇异谱分析方法进行原始人脸图像信号X的重构，得到重构图像信号I1；
S3.对所述重构图像信号I1进行EMD经验模式分解得到滤波图像信号I2，将所述滤波图像信号I2划分为训练集及测试集；
S4.构建对抗神经网络并输入训练集对其进行训练，得到人脸图像识别模型；
S5.将所述测试集输入训练好的对抗神经网络，得到人脸图像识别结果；
所述步骤S1具体为：
获取原始人脸图像信号X，该原始人脸图像信号X中带有高斯白噪声，将X表示为I0，得到维度为h*w的图像信号I0：
I0＝X
所述步骤S2的具体步骤包括：
S21.定义宽、高为u*v的窗口长度，其中1≤u≤h，1≤v≤w，将该窗口长度放在图像信号I0上，把窗口左上角定义为窗口参考点，窗口参考点的位置为(i，j)，其中1≤i≤h-u，1≤j≤w-v；其中h、w分别为图像信号I0尺寸的高度和宽度；
S22.将窗口从左到右，从上到下进行移动，窗口参考点的位置随之变化，即：
Figure FDA0003826508970000011
S23.根据窗口参考点的位置定义窗口为Wi，j，则：
Figure FDA0003826508970000012
S24.利用窗口Wi，j将图像信号I0进行滞后排序得到轨迹矩阵Z，即：
Z＝(W1，1，W1，2，…，W1，v，W2，1，…，W2，v，…，Wu，v)
S25.对轨迹矩阵Z进行奇异值分解，得到左矩阵U，右矩阵V，奇异值∑，即：
Z＝U∑VT
S26.计算轨迹矩阵Z在Um上的投影
Figure FDA0003826508970000021
Um表示左矩阵U的第m行向量，通过时间经验正交函数和时间主成分进行重构，得到重构图像信号I1；重构过程如下：
Figure FDA0003826508970000022
其中I1表示重构后的图像信号，
Figure FDA0003826508970000023
表示第k个奇异值的投影向量，Uk，j表示特征值λj对应的特征向量，反映了时间序列的演变型；k表示奇异值按从大到小排序的第k个成分。
2.根据权利要求1所述的基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，步骤S3中所述的对所述图像信号I1进行EMD经验模式分解得到滤波图像信号I2具体为：
对重构图像信号I1进行EMD经验模式分解，获得M个IMF本征模函数，M≥2；
对每个IMF本征模函数进行傅立叶变换，得到其频谱图；
根据频谱图判断重构图像信号I1中的噪声分布，去除其中的高频成分；
对IMF本征模函数进行重构得到滤波图像信号I2，即：
I2＝IMF1+IMF2+…+IMFM-1
其中IMF的下标M-1表示第M-1个IMF本征模函数。
3.根据权利要求2所述的基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，步骤S4所构建的对抗神经网络为GAN生成对抗神经网络。
4.基于二维奇异谱分析融合EMD的人脸图像识别系统，其特征在于，包括：
人脸图像信号获取及预处理模块，用于获取原始人脸图像信号X，对其进行预处理后得到图像信号I0；
图像信号重构模块，用于进行原始人脸图像信号X的重构，得到重构图像信号I1；
图像信号滤波模块，用于对所述重构图像信号I1进行EMD经验模式分解得到滤波图像信号I2，将所述滤波图像信号I2划分为训练集及测试集；
人脸图像识别模型构建模块，用于构建对抗神经网络并输入训练集对其进行训练，得到人脸图像识别模型；
人脸图像识别模块，用于将所述测试集输入训练好的对抗神经网络，得到人脸图像识别结果；
所述人脸图像信号获取及预处理模块进一步用于：
获取原始人脸图像信号X，该原始人脸图像信号X中带有高斯白噪声，将X表示为I0，得到维度为h*w的图像信号I0：
I0＝X
所述图像信号重构模块进一步用于：
定义宽、高为u*v的窗口长度，其中1≤u≤h，1≤v≤w，将该窗口长度放在图像信号I0上，把窗口左上角定义为窗口参考点，窗口参考点的位置为(i，j)，其中1≤i≤h-u，1≤j≤w-v；其中h、w分别为图像信号I0尺寸的高度和宽度；
将窗口从左到右，从上到下进行移动，窗口参考点的位置随之变化，即：
Figure FDA0003826508970000031
根据窗口参考点的位置定义窗口为Wi，j，则：
Figure FDA0003826508970000032
利用窗口Wi，j将图像信号I0进行滞后排序得到轨迹矩阵Z，即：
Z＝(W1，1，W1，2，…，W1，v，W2，1，…，W2，v，…，Wu，v)
对轨迹矩阵Z进行奇异值分解，得到左矩阵U，右矩阵V，奇异值∑，即：
Z＝U∑VT
计算轨迹矩阵Z在Um上的投影
Figure FDA0003826508970000033
Um表示左矩阵U的第m行向量，通过时间经验正交函数和时间主成分进行重构，得到重构图像信号I1；重构过程如下：
Figure FDA0003826508970000034
其中I1表示重构后的图像信号，
Figure FDA0003826508970000035
表示第k个奇异值的投影向量，Uk，j表示特征值λj对应的特征向量，反映了时间序列的演变型。
5.根据权利要求4所述的基于二维奇异谱分析融合EMD的人脸图像识别系统，其特征在于，所述图像信号滤波模块进一步用于：
对重构图像信号I1进行EMD经验模式分解，获得M个IMF本征模函数，M≥2；
对每个IMF本征模函数进行傅立叶变换，得到其频谱图；
根据频谱图判断重构图像信号I1中的噪声分布，去除其中的高频成分；
对IMF本征模函数进行重构得到滤波图像信号I2，即：
I2＝IMF1+IMF2+…+IMFM-1
其中IMF的下标M-1表示第M-1个IMF本征模函数；
将所述滤波图像信号I2划分为训练集及测试集。
6.根据权利要求5所述的基于二维奇异谱分析融合EMD的人脸图像识别系统，其特征在于，所述人脸图像识别模型构建模块中所构建的对抗神经网络为GAN生成对抗神经网络。
CN202010141598.1A 2020-03-03 2020-03-03 基于二维奇异谱分析融合emd的人脸图像识别方法及系统 Expired - Fee Related CN111310711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010141598.1A CN111310711B (zh) 2020-03-03 2020-03-03 基于二维奇异谱分析融合emd的人脸图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010141598.1A CN111310711B (zh) 2020-03-03 2020-03-03 基于二维奇异谱分析融合emd的人脸图像识别方法及系统

Publications (2)

Publication Number Publication Date
CN111310711A CN111310711A (zh) 2020-06-19
CN111310711B true CN111310711B (zh) 2022-10-21

Family

ID=71148095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010141598.1A Expired - Fee Related CN111310711B (zh) 2020-03-03 2020-03-03 基于二维奇异谱分析融合emd的人脸图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN111310711B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947637B (zh) * 2021-01-29 2022-06-24 阜阳小欧智能科技有限公司 一种办公环境智能调节系统
CN113592030B (zh) * 2021-08-17 2023-06-20 广东工业大学 基于复值奇异谱分析的图像检索方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355148B (zh) * 2016-08-29 2019-06-07 广东工业大学 一种基于ssa和emd结合的去噪方法及装置
CN109583386B (zh) * 2018-11-30 2020-08-25 中南大学 一种智能旋转机械故障深度网络特征辨识方法
CN111382601A (zh) * 2018-12-28 2020-07-07 河南中原大数据研究院有限公司 生成对抗网络模型的光照人脸图像识别预处理系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Singular spectrum analysis for image processing;Licesio J. Rodr´ıguez-Arago´n等;《Statistics and Its Interface》;20101231(第3期);第419-426页 *

Also Published As

Publication number Publication date
CN111310711A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
Yang et al. An emotion recognition model based on facial recognition in virtual learning environment
Hsu et al. Deep learning with time-frequency representation for pulse estimation from facial videos
US20230185377A1 (en) System and method for iterative classification using neurophysiological signals
CN109726751B (zh) 基于深度卷积神经网络识别脑电成像图的方法
CN109711283B (zh) 一种联合双字典和误差矩阵的遮挡表情识别方法
Li et al. Voxel selection in fMRI data analysis based on sparse representation
US6917703B1 (en) Method and apparatus for image analysis of a gabor-wavelet transformed image using a neural network
Diego Andilla et al. Sparse space-time deconvolution for calcium image analysis
CN113408508B (zh) 基于Transformer的非接触式心率测量方法
CN111310731A (zh) 基于人工智能的视频推荐方法、装置、设备及存储介质
Caroppo et al. Comparison between deep learning models and traditional machine learning approaches for facial expression recognition in ageing adults
CN109886135A (zh) 一种低分辨率人脸识别方法、装置及存储介质
CN111310711B (zh) 基于二维奇异谱分析融合emd的人脸图像识别方法及系统
Mähönen et al. Automated source classification using a Kohonen network
Li et al. Gait recognition via GEI subspace projections and collaborative representation classification
CN112270255B (zh) 一种脑电信号识别方法、装置、电子设备及存储介质
Taherisadr et al. EEG signal dimensionality reduction and classification using tensor decomposition and deep convolutional neural networks
CN110427912A (zh) 一种基于深度学习的人脸检测方法及其相关装置
Sankari et al. Automatic tumor segmentation using convolutional neural networks
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
CN115131503A (zh) 一种虹膜三维识别的健康监测方法及其系统
Triesch et al. Object recognition with multiple feature types
CN115909016A (zh) 基于GCN分析fMRI图像的系统、方法、电子设备及介质
CN115546862A (zh) 基于跨尺度局部差异深度子空间特征的表情识别方法和系统
CN114742107A (zh) 信息服务中的感知信号的识别方法及相关设备

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221021

CF01 Termination of patent right due to non-payment of annual fee