CN114299584A - 基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质 - Google Patents
基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114299584A CN114299584A CN202111645335.5A CN202111645335A CN114299584A CN 114299584 A CN114299584 A CN 114299584A CN 202111645335 A CN202111645335 A CN 202111645335A CN 114299584 A CN114299584 A CN 114299584A
- Authority
- CN
- China
- Prior art keywords
- training
- images
- image
- matrix
- model
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005286 illumination Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 129
- 238000012360 testing method Methods 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例公开了一种基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质，属于人脸识别技术领域，该方法包括:获取训练图集；基于预设循环迭代模型对训练图集中图像进行迭代降维处理；第一灰度矩阵获取，获取(xn,yn,zn)个小灰度矩阵；获取每一个小灰度矩阵的协方差矩阵；获取每一个协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；获取训练图集中图像的特征矩阵和特征值；实时获取测试图像，获取测试图像的特征值；基于余弦相似度算法，完成人脸识别。本申请先使用循环迭代模型获取同一图像在多次降维下的不同特征值，再进行人脸识别，一定程度上提高了人脸识别的准确性。
Description
技术领域
本申请涉及人脸识别技术领域，尤其涉及一种基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质。
背景技术
人脸识别可用于安全系统和身份验证等方面，使用时较为便利，故其在航天、安检及医疗领域内被广泛使用，人脸识别属于一类生物识别技术，其在对各种人脸图像进行识别分类时大多采用特征信息提取的方式实现，当处于复杂多变的光照条件下时，对人脸识别技术的要求更高，且人脸姿态多变，故此时识别效果将受到很大干扰，因此复杂光照条件下的多姿状人脸识别逐渐成为视觉领域内的探讨重点。
目前，20世纪80年代中期出现的小波变换，属于一种时频分析方法，被信号分析、量子物理、图像收缩及模式识别等领域大量运用，是在傅里叶分析后相继而生的一个重点突破，LBP属于一种对纹理具有较高的描述与分类效果的算子，其运算速率较高，对于人脸图像的暗点、亮点及边缘等部分细腻模式与分散状况及鲁棒性部分纹理特征能够进行详细的描绘。但是，小波变换和LBP进行人脸识别时，无法做到准确的进行光照下的人脸识别。因此，现有技术存在光照条件下人脸识别准确率不够高的问题。
发明内容
本申请实施例的目的在于提出一种基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质，以解决现有技术存在光照条件下人脸识别准确率不够高的问题。
为了解决上述技术问题，本申请实施例提供一种基于迭代训练模型进行光照下人脸识别的方法，采用了如下所述的技术方案：
一种基于迭代训练模型进行光照下人脸识别的方法，包括：
分别获取不同人的若干张人脸图像，构成训练图集；
基于预设循环迭代模型和预期特征维数数目参数(xn,yn,zn)，对所述训练图集中图像进行迭代降维处理,其中，x,y,z为初始特征维数数目参数，n为循环迭代次数；
基于预设对数转换算法对所述训练图集中图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn)个小灰度矩阵；
对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；
基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；
将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成所述训练图集中图像的特征矩阵；
基于所述训练图集中图像的特征矩阵，获取所述训练图集中图像的特征值；
实时获取目标人脸图像，作为测试图像，基于所述预设循环迭代模型获取所述测试图像的特征值；
将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，并基于余弦相似度算法判断两者的相似度，基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别。
进一步的，所述预设循环迭代模型，包括：
迭代触发条件和迭代终止条件；
依次执行202至207步骤。
进一步的，所述预设循环迭代模型的迭代触发条件包括：
若获取到所述训练图集中图像的特征值或者获取到所述测试图像的特征值，则触发所述预设循环迭代模型再一次依次执行202至207步骤，n值累加1。
进一步的，所述预设循环迭代模型的迭代终止条件包括：
在所述预设循环迭代模型的迭代触发条件执行之后，获取所述(xn,yn,zn)中xn,yn,zn分别对应的值，若xn,yn,zn三者中任一数值大于预设的终止数值，则所述预设循环迭代模型迭代终止。
进一步的，所述将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，包括：
判断所述预设循环迭代模型是否处于迭代触发状态，若处于，则不进行对比；
若所述预设循环迭代模型处于迭代终止状态，则获取所述循环迭代模型在每一次触发时，获取的所述测试图像的特征值与所述训练图集中图像的特征值；
将所述测试图像的特征值作为元素，生成list数据格式的测试特征值集；
将所述训练图集中图像的特征值作为元素，生成json数据格式的训练特征值集。
进一步的，所述并基于余弦相似度算法判断两者的相似度，具体包括：
使用余弦相似度算法，判断所述list数据格式的测试特征值集与所述json数据格式的训练特征值集中数组元素的相似度。
进一步的，所述基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别，包括：
若所述list数据格式的测试特征值集与所述json数据格式的训练特征值集中数组元素的相似度，在预设相似阈值之内，则判断所述测试图像与所述json数据格式的训练特征值集中数组元素对应的图像为同一人的人脸图像，否则，非同一人的人脸图像。
为了解决上述技术问题，本申请实施例还提供了一种基于迭代训练模型进行光照下人脸识别的装置，采用了如下所述的技术方案：
一种基于迭代训练模型进行光照下人脸识别的装置，包括：
训练图集获取模块,用于分别获取不同人的若干张人脸图像，构成训练图集；
循环迭代模块,用于基于预设循环迭代模型和预期特征维数数目参数(xn,yn,zn)，对所述训练图集中图像进行迭代降维处理,其中，x,y,z为初始特征维数数目参数，n为循环迭代次数；基于预设对数转换算法对所述训练图集中图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn)个小灰度矩阵；对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成所述训练图集中图像的特征矩阵；基于所述训练图集中图像的特征矩阵，获取所述训练图集中图像的特征值；
测试图像获取模块,用于实时获取目标人脸图像，作为测试图像，基于所述预设循环迭代模型依次执行上述202,203,204,205,206,207步骤，获取所述测试图像的特征值；
人脸识别模块,用于将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，并基于余弦相似度算法判断两者的相似度，基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例中提出的一种基于迭代训练模型进行光照下人脸识别的方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种非易失性计算机可读存储介质，采用了如下所述的技术方案：
一种非易失性计算机可读存储介质，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本申请实施例中提出的一种基于迭代训练模型进行光照下人脸识别的方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例公开了基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质，通过获取训练图集；基于预设循环迭代模型对训练图集中图像进行迭代降维处理；第一灰度矩阵获取，获取(xn,yn,zn)个小灰度矩阵；获取每一个小灰度矩阵的协方差矩阵；获取每一个协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；获取训练图集中图像的特征矩阵和特征值；实时获取测试图像，获取测试图像的特征值；基于余弦相似度算法，完成人脸识别。本申请先使用循环迭代模型获取同一图像在多次降维下的不同特征值，再进行人脸识别，一定程度上提高了人脸识别的准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例可以应用于其中的示例性系统架构图；
图2为本申请的基于迭代训练模型进行光照下人脸识别的方法的一个实施例的流程图；
图3为本申请实施例中所述循环迭代模型的一个实施例流程图；
图4为本申请实施例中基于迭代训练模型进行光照下人脸识别的方法的一个实施例的执行逻辑图；
图5为本申请实施例中所述基于迭代训练模型进行光照下人脸识别的装置的一个实施例；
图6为本申请实施例中循环迭代模块的结构示意图；
图7为本申请实施例中计算机设备的一个实施例的结构示意图；
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于迭代训练模型进行光照下人脸识别的方法一般由服务器/终端设备执行，相应地，基于迭代训练模型进行光照下人脸识别的装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，图中示出了本申请的基于迭代训练模型进行光照下人脸识别的方法一个实施例的流程图，所述的基于迭代训练模型进行光照下人脸识别的方法，包括以下步骤：
步骤201,分别获取不同人的若干张人脸图像，构成训练图集。
在本申请实施例中，所述不同人的若干张人脸图像，可以为不同人分别获取一张人脸图像，共同获取到若干张人脸图像，构成训练图集；也可以为不同人分别获取多张人脸图像，共同构成训练图集。
步骤202,基于预设循环迭代模型和预期特征维数数目参数(xn,yn,zn)，对所述训练图集中图像进行迭代降维处理,其中，x,y,z为初始特征维数数目参数，n为循环迭代次数。
在本申请实施例中，所述预设循环迭代模型，包括：迭代触发条件和迭代终止条件；依次执行202至207步骤。
继续参考图3，图3为本申请实施例中，所述循环迭代模型的一个实施例流程图，包括步骤如下：
步骤301，基于预期特征维数数目参数(xn,yn,zn)，对图像进行迭代降维处理,其中，x,y,z为初始特征维数数目参数，n为循环迭代次数；
步骤302，基于预设对数转换算法对图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn)个小灰度矩阵；
步骤303，对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；
步骤304，基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；
步骤305，将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成图像的特征矩阵；
步骤306，基于图像的特征矩阵，获取图像的特征值。
在本申请实施例中，所述预设循环迭代模型的迭代触发条件包括：若获取到所述训练图集中图像的特征值或者获取到所述测试图像的特征值，则触发所述预设循环迭代模型再一次依次执行202至207步骤，n值累加1。
在本申请实施例中，所述预设循环迭代模型的迭代终止条件包括：在所述预设循环迭代模型的迭代触发条件执行之后，获取所述(xn,yn,zn)中xn,yn,zn分别对应的值，若xn,yn,zn三者中任一数值大于预设的终止数值，则所述预设循环迭代模型迭代终止。
解释：若首次执行301至306步骤，假设x＝2,y＝3,z＝2,n＝1则此时，所述(xn,yn,zn)为(21,31,21)，若第二次执行301至306步骤，则此时，所述(xn,yn,zn)为(22,32,22)，以此类推，若为第五次执行301至306步骤，则此时，所述(xn,yn,zn)为(25,35,25)，若yn的预设终止数值为100，35>100，则第五次执行终止。
步骤203,基于预设对数转换算法对所述训练图集中图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn)个小灰度矩阵。
解释：所述预设对数转换算法对所述训练图集中图像进行预处理具体如下：假设a(x,y)为图像任意一点的反射分量，b(x,y)为图像在该点的光照分量，则该图像在该点的像素值为c(x,y)，则c(x,y)＝a(x,y)×b(x,y)；此时，进行对数转换，则ln[c(x,y)]＝ln[a(x,y)]+ln[b(x,y)]。
解释：所述基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn）个小灰度矩阵，具体方式为：所述第一灰度矩阵的维度数目为(xn,yn,zn)，将其每一个维度上都划分一个小灰度矩阵，因此，获得(xn,yn,zn)个小灰度矩阵。
步骤204,对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵。
解释：假设所述第一灰度矩阵的维度数目为8，则获得到8个小维度矩阵，这8个小维度矩阵对应的值分别为[v1,v2,v3,v4,v5,v6,v7,v8]，则其维度均值为
此时，m＝8，
所述去均值化处理，即分别用v1,v2,v3,v4,v5,v6,v7,v8减去
步骤205,基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量。
步骤206,将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成所述训练图集中图像的特征矩阵。
步骤207,基于所述训练图集中图像的特征矩阵，获取所述训练图集中图像的特征值。
步骤208,实时获取目标人脸图像，作为测试图像，基于所述预设循环迭代模型依次执行上述202,203,204,205,206,207步骤，获取所述测试图像的特征值。
步骤209,将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，并基于余弦相似度算法判断两者的相似度，基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别。
在本申请实施例中，所述将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，包括：判断所述预设循环迭代模型是否处于迭代触发状态，若处于，则不进行对比；若所述预设循环迭代模型处于迭代终止状态，则获取所述循环迭代模型在每一次触发时，获取的所述测试图像的特征值与所述训练图集中图像的特征值；将所述测试图像的特征值作为元素，生成list数据格式的测试特征值集；将所述训练图集中图像的特征值作为元素，生成json数据格式的训练特征值集。
在本申请实施例中，所述并基于余弦相似度算法判断两者的相似度，具体包括：使用余弦相似度算法，判断所述list数据格式的测试特征值集与所述json数据格式的训练特征值集中数组元素的相似度。
在本申请实施例中，所述基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别，包括：若所述list数据格式的测试特征值集与所述json数据格式的训练特征值集中数组元素的相似度，在预设相似阈值之内，则判断所述测试图像与所述json数据格式的训练特征值集中数组元素对应的图像为同一人的人脸图像，否则，非同一人的人脸图像。
继续参考图4，图4为本申请实施例中基于迭代训练模型进行光照下人脸识别方法的一个实施例的执行逻辑图，图中示出了：分别获取不同人的若干张人脸图像，构成训练图集；基于预设循环迭代模型和预期特征维数数目参数(xn,yn,zn)，对所述训练图集中图像进行迭代降维处理,其中，x,y,z为初始特征维数数目参数，n为循环迭代次数；基于预设对数转换算法对所述训练图集中图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn)个小灰度矩阵；对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成所述训练图集中图像的特征矩阵；基于所述训练图集中图像的特征矩阵，获取所述训练图集中图像的特征值；实时获取目标人脸图像，作为测试图像，基于所述预设循环迭代模型获取所述测试图像的特征值；将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，并基于余弦相似度算法判断两者的相似度，基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别。
本申请实施例中所述的基于迭代训练模型进行光照下人脸识别的方法，可以通过获取训练图集；基于预设循环迭代模型对训练图集中图像进行迭代降维处理；第一灰度矩阵获取，获取(xn,yn,zn)个小灰度矩阵；获取每一个小灰度矩阵的协方差矩阵；获取每一个协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；获取训练图集中图像的特征矩阵和特征值；实时获取测试图像，获取测试图像的特征值；基于余弦相似度算法，完成人脸识别。本申请先使用循环迭代模型获取同一图像在多次降维下的不同特征值，再进行人脸识别，一定程度上提高了人脸识别的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种基于迭代训练模型进行光照下人脸识别的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的基于迭代训练模型进行光照下人脸识别的装置5包括：训练图集获取模块501、循环迭代模块502、测试图像获取模块503和人脸识别模块504。其中：
训练图集获取模块501,用于分别获取不同人的若干张人脸图像，构成训练图集；
循环迭代模块502,用于基于预设循环迭代模型和预期特征维数数目参数(xn,yn,zn)，对所述训练图集中图像进行迭代降维处理,其中，x,y,z为初始特征维数数目参数，n为循环迭代次数；基于预设对数转换算法对所述训练图集中图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn)个小灰度矩阵；对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成所述训练图集中图像的特征矩阵；基于所述训练图集中图像的特征矩阵，获取所述训练图集中图像的特征值；
测试图像获取模块503,用于实时获取目标人脸图像，作为测试图像，基于所述预设循环迭代模型依次执行上述202,203,204,205,206,207步骤，获取所述测试图像的特征值；
人脸识别模块504,用于将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，并基于余弦相似度算法判断两者的相似度，基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别。
在本申请的一些实施例中，如图6，图6为本申请实施例中循环迭代模块的结构示意图，所述循环迭代模块502包括第一迭代单元501a、第二迭代单元501b。
在本申请的一些实施例中，所述第一迭代单元502a，用于基于预期特征维数数目参数(xn,yn,zn)，对训练集图集中图像进行迭代降维处理,其中，x,y,z为初始特征维数数目参数，n为循环迭代次数；基于预设对数转换算法对训练集图集中图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn)个小灰度矩阵；对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成训练集图集中图像的特征矩阵；基于训练集图集中图像的特征矩阵，获取训练集图集中图像的特征值。
在本申请的一些实施例中，所述第二迭代单元502b，用于基于预期特征维数数目参数(xn,yn,zn)，对测试图像进行迭代降维处理,其中，x,y,z为初始特征维数数目参数，n为循环迭代次数；基于预设对数转换算法对测试图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn,yn,zn)个小灰度矩阵；对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成测试图像的特征矩阵；基于测试图像的特征矩阵，获取测试图像的特征值。
本申请实施例所述的基于迭代训练模型进行光照下人脸识别的装置，通过获取训练图集；基于预设循环迭代模型对训练图集中图像进行迭代降维处理；第一灰度矩阵获取，获取(xn,yn,zn)个小灰度矩阵；获取每一个小灰度矩阵的协方差矩阵；获取每一个协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；获取训练图集中图像的特征矩阵和特征值；实时获取测试图像，获取测试图像的特征值；基于余弦相似度算法，完成人脸识别。本申请先使用循环迭代模型获取同一图像在多次降维下的不同特征值，再进行人脸识别，一定程度上提高了人脸识别的准确性。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过系统总线相互通信连接存储器7a、处理器7b、网络接口7c。需要指出的是，图中仅示出了具有组件7a-7c的计算机设备7，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器7a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器7a可以是所述计算机设备7的内部存储单元，例如该计算机设备7的硬盘或内存。在另一些实施例中，所述存储器7a也可以是所述计算机设备7的外部存储设备，例如该计算机设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)等。当然，所述存储器7a还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中，所述存储器7a通常用于存储安装于所述计算机设备7的操作系统和各类应用软件，例如基于迭代训练模型进行光照下人脸识别的方法的程序代码等。此外，所述存储器7a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器7b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器7b通常用于控制所述计算机设备7的总体操作。本实施例中，所述处理器7b用于运行所述存储器7a中存储的程序代码或者处理数据，例如运行所述基于迭代训练模型进行光照下人脸识别的方法的程序代码。
所述网络接口7c可包括无线网络接口或有线网络接口，该网络接口7c通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有基于迭代训练模型进行光照下人脸识别的程序，所述基于迭代训练模型进行光照下人脸识别的程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于迭代训练模型进行光照下人脸识别的方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于迭代训练模型进行光照下人脸识别的方法，其特征在于，包括下述步骤：
201，分别获取不同人的若干张人脸图像，构成训练图集；
202，基于预设循环迭代模型和预期特征维数数目参数(xn，yn，zn)，对所述训练图集中图像进行迭代降维处理，其中，x，y，z为初始特征维数数目参数，n为循环迭代次数；
203，基于预设对数转换算法对所述训练图集中图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn，yn，zn)个小灰度矩阵；
204，对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；
205，基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；
206，将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成所述训练图集中图像的特征矩阵；
207，基于所述训练图集中图像的特征矩阵，获取所述训练图集中图像的特征值；
208，实时获取目标人脸图像，作为测试图像，基于所述预设循环迭代模型依次执行上述202，203，204，205，206，207步骤，获取所述测试图像的特征值；
209，将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，并基于余弦相似度算法判断两者的相似度，基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别。
2.根据权利要求1所述的基于迭代训练模型进行光照下人脸识别的方法，其特征在于，所述预设循环迭代模型，包括：
迭代触发条件和迭代终止条件；
依次执行202至207步骤。
3.根据权利要求2所述的基于迭代训练模型进行光照下人脸识别的方法，其特征在于，所述预设循环迭代模型的迭代触发条件包括：
若获取到所述训练图集中图像的特征值或者获取到所述测试图像的特征值，则触发所述预设循环迭代模型再一次依次执行202至207步骤，n值累加1。
4.根据权利要求3所述的基于迭代训练模型进行光照下人脸识别的方法，其特征在于，所述预设循环迭代模型的迭代终止条件包括：
在所述预设循环迭代模型的迭代触发条件执行之后，获取所述(xn，yn，zn)中xn，yn，zn分别对应的值，若xn，yn，zn三者中任一数值大于预设的终止数值，则所述预设循环迭代模型迭代终止。
5.根据权利要求4所述的基于迭代训练模型进行光照下人脸识别的方法，其特征在于，所述将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，包括：
判断所述预设循环迭代模型是否处于迭代触发状态，若处于，则不进行对比；
若所述预设循环迭代模型处于迭代终止状态，则获取所述循环迭代模型在每一次触发时，获取的所述测试图像的特征值与所述训练图集中图像的特征值；
将所述测试图像的特征值作为元素，生成list数据格式的测试特征值集；
将所述训练图集中图像的特征值作为元素，生成json数据格式的训练特征值集。
6.根据权利要求5所述的基于迭代训练模型进行光照下人脸识别的方法，其特征在于，所述并基于余弦相似度算法判断两者的相似度，具体包括：
使用余弦相似度算法，判断所述list数据格式的测试特征值集与所述json数据格式的训练特征值集中数组元素的相似度。
7.根据权利要求1至6任一所述的基于迭代训练模型进行光照下人脸识别的方法，其特征在于，所述基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别，包括：
若所述list数据格式的测试特征值集与所述json数据格式的训练特征值集中数组元素的相似度，在预设相似阈值之内，则判断所述测试图像与所述json数据格式的训练特征值集中数组元素对应的图像为同一人的人脸图像，否则，非同一人的人脸图像。
8.一种基于迭代训练模型进行光照下人脸识别的装置，其特征在于，包括：
训练图集获取模块，用于分别获取不同人的若干张人脸图像，构成训练图集；
循环迭代模块，用于基于预设循环迭代模型和预期特征维数数目参数(xn，yn，zn)，对所述训练图集中图像进行迭代降维处理，其中，x，y，z为初始特征维数数目参数，n为循环迭代次数；基于预设对数转换算法对所述训练图集中图像进行预处理，转化为第一灰度矩阵，并基于PCA算法将所述第一灰度矩阵划分为(xn，yn，zn)个小灰度矩阵；对划分后的每一个所述小灰度矩阵进行去均值化处理，获取每一个所述小灰度矩阵的协方差矩阵；基于LBF算法获取每一个所述协方差矩阵对应的LBF纹理特征，以及LBF纹理特征值以及所对应的特征向量；将每个所述协方差矩阵得到的LBF纹理特征值所对应的特征向量组成所述训练图集中图像的特征矩阵；基于所述训练图集中图像的特征矩阵，获取所述训练图集中图像的特征值；
测试图像获取模块，用于实时获取目标人脸图像，作为测试图像，基于所述预设循环迭代模型依次执行上述202，203，204，205，206，207步骤，获取所述测试图像的特征值；
人脸识别模块，用于将所述测试图像的特征值与所述训练图集中图像的特征值进行对比，并基于余弦相似度算法判断两者的相似度，基于预设相似阈值确定所述测试图像对应的所述训练集图集中图像，完成人脸识别。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于迭代训练模型进行光照下人脸识别的方法的步骤。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性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7任一项所述的基于迭代训练模型进行光照下人脸识别的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111645335.5A CN114299584B (zh) | 2021-12-30 | 2021-12-30 | 基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111645335.5A CN114299584B (zh) | 2021-12-30 | 2021-12-30 | 基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114299584A true CN114299584A (zh) | 2022-04-08 |
| CN114299584B CN114299584B (zh) | 2024-08-23 |
Family
ID=80971132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111645335.5A Active CN114299584B (zh) | 2021-12-30 | 2021-12-30 | 基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299584B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745235A (zh) * | 2013-12-18 | 2014-04-23 | 小米科技有限责任公司 | 人脸识别方法、装置及终端设备 |
| CN105138993A (zh) * | 2015-08-31 | 2015-12-09 | 小米科技有限责任公司 | 建立人脸识别模型的方法及装置 |
| CN106709442A (zh) * | 2016-12-19 | 2017-05-24 | 深圳乐行天下科技有限公司 | 一种人脸识别方法 |
| US20180005017A1 (en) * | 2015-11-26 | 2018-01-04 | Tencent Technology (Shenzhen) Company Limited | Face model matrix training method and apparatus, and storage medium |
| CN109753950A (zh) * | 2019-02-11 | 2019-05-14 | 河北工业大学 | 动态人脸表情识别方法 |
| CN113569070A (zh) * | 2021-07-24 | 2021-10-29 | 平安科技（深圳）有限公司 | 图像检测方法和装置、电子设备、存储介质 |
-
2021
- 2021-12-30 CN CN202111645335.5A patent/CN114299584B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745235A (zh) * | 2013-12-18 | 2014-04-23 | 小米科技有限责任公司 | 人脸识别方法、装置及终端设备 |
| CN105138993A (zh) * | 2015-08-31 | 2015-12-09 | 小米科技有限责任公司 | 建立人脸识别模型的方法及装置 |
| US20180005017A1 (en) * | 2015-11-26 | 2018-01-04 | Tencent Technology (Shenzhen) Company Limited | Face model matrix training method and apparatus, and storage medium |
| CN106709442A (zh) * | 2016-12-19 | 2017-05-24 | 深圳乐行天下科技有限公司 | 一种人脸识别方法 |
| CN109753950A (zh) * | 2019-02-11 | 2019-05-14 | 河北工业大学 | 动态人脸表情识别方法 |
| CN113569070A (zh) * | 2021-07-24 | 2021-10-29 | 平安科技（深圳）有限公司 | 图像检测方法和装置、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114299584B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112396613B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
| US9697440B2 (en) | Method and apparatus for recognizing client feature, and storage medium | |
| CN108229532B (zh) | 图像识别方法、装置和电子设备 | |
| CN112418292A (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
| CN113255557B (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
| CN112650875A (zh) | 房产图片验证方法、装置、计算机设备及存储介质 | |
| CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
| CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
| CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
| CN114241459B (zh) | 一种驾驶员身份验证方法、装置、计算机设备及存储介质 | |
| CN111325190A (zh) | 一种表情识别方法、装置、计算机设备及可读存储介质 | |
| CN112529888B (zh) | 基于深度学习的人脸图像评估方法、装置、设备及介质 | |
| CN112016502B (zh) | 安全带检测方法、装置、计算机设备及存储介质 | |
| CN112733645A (zh) | 手写签名校验方法、装置、计算机设备及存储介质 | |
| CN115862075A (zh) | 指纹识别模型训练方法、指纹识别方法、装置及相关设备 | |
| CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN111709346B (zh) | 基于深度学习和高分影像的历史建筑识别与检测方法 | |
| CN111709851B (zh) | 基于rfid及面部识别的酒店安全入住的方法、装置及设备 | |
| CN112633200A (zh) | 基于人工智能的人脸图像比对方法、装置、设备及介质 | |
| CN116704581A (zh) | 人脸识别方法、装置、设备及存储介质 | |
| CN114299584B (zh) | 基于迭代训练模型进行光照下人脸识别的方法、装置、设备及存储介质 | |
| CN113190819A (zh) | 基于活体融合特征的认证方法、装置及计算机设备 | |
| CN110929767B (zh) | 一种字形处理方法、系统、设备和介质 | |
| CN113362249A (zh) | 文字图像合成方法、装置、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |