The invention discloses a face model matrix training method and a device, belonging to the computer technology field. The method comprises: acquiring face image database, the face image database including K face image, each face image including at least a face image, a person's k> 2; for each set of face images of the K group of face image are analyzed separately, calculate the first and second matrix according to the matrix analytical results; the first matrix for each facial feature of face image within group covariance matrix, the matrix of second facial features of the K group of face image between group covariance matrix; according to the first and the second matrix matrix, matrix model training face. To avoid the terminal at the same time in the prior art all face images in the face image database is loaded into memory when large memory problems, it can reach up to only load a packet in the face image to the memory, thereby reducing the required occupation training in the process of memory effect.
【技术实现步骤摘要】
本专利技术涉及计算机
,特别涉及一种人脸模型矩阵训练方法和装置。
技术介绍
人脸识别技术通常包括两个步骤。第一,对目标人脸图像进行特征提取;第二,对提取到的特征与参考人脸图像中的特征进行相似度计算。在计算相似度之前终端需要先根据人脸图像库中的各个人脸图像计算人脸模型矩阵,进而根据计算到的人脸模型矩阵计算提取到的特征与参考人脸图像中的特征的相似度。现有技术中,终端需要同时对人脸图像库中的所有人脸图像进行计算,并根据计算结果训练得到人脸模型矩阵。专利技术人在实现本专利技术的过程中,发现现有技术至少存在以下问题:终端需要同时加载人脸图像库中的所有人脸图像至内存,耗用了大量的内存空间。
技术实现思路
为了解决现有技术中存在的问题,本专利技术实施例提供了一种人脸模型矩阵训练方法和装置。所述技术方案如下:第一方面,提供了一种人脸模型矩阵训练方法,包括:获取人脸图像库,所述人脸图像库包括k组人脸图像,每组人脸图像包括至少一个人的至少一张人脸图像,k>2;对所述k组人脸图像中的每一组人脸图像分别进行解析,根据解析结果计算第一矩阵和第二矩阵,所述第二矩阵为所述k组人脸图像的人脸特征的组间协方差矩阵;根据所述第一矩阵和所述第二矩阵,训练人脸模型矩阵。第二方面,提供了一种人脸模型矩阵训练装置,包括:图像获取模块,用于获取人脸图像库,所述人脸图像库包括k组人脸图像,每组人脸图像包括至少一个人的至少一张人脸图像,k>2;矩阵计算模块,用于对所述k组人脸图像中的每一组人脸图像分别进行解析,根据解析结果计算第一矩阵和第二矩阵;所述第一矩阵为每组人脸图像的人脸特征的组内协 ...
【技术保护点】
一种人脸模型矩阵训练方法,其特征在于,所述方法包括:获取人脸图像库,所述人脸图像库包括k组人脸图像,每组人脸图像包括至少一个人的至少一张人脸图像,k>2;对所述k组人脸图像中的每一组人脸图像分别进行解析,根据解析结果计算第一矩阵和第二矩阵;所述第一矩阵为每组人脸图像的人脸特征的组内协方差矩阵,所述第二矩阵为所述k组人脸图像的人脸特征的组间协方差矩阵;根据所述第一矩阵和所述第二矩阵,训练人脸模型矩阵。
【技术特征摘要】
1.一种人脸模型矩阵训练方法,其特征在于,所述方法包括:获取人脸图像库,所述人脸图像库包括k组人脸图像,每组人脸图像包括至少一个人的至少一张人脸图像,k>2;对所述k组人脸图像中的每一组人脸图像分别进行解析,根据解析结果计算第一矩阵和第二矩阵;所述第一矩阵为每组人脸图像的人脸特征的组内协方差矩阵,所述第二矩阵为所述k组人脸图像的人脸特征的组间协方差矩阵;根据所述第一矩阵和所述第二矩阵,训练人脸模型矩阵。2.根据权利要求1所述的方法,其特征在于,所述对所述k组人脸图像中的每一组人脸图像分别进行解析,根据解析结果计算第一矩阵和第二矩阵,包括:初始化所述第一矩阵Sg和所述第二矩阵Ss;根据所述Ss计算H,H=Ss-1,根据所述Sg和所述Ss计算L,L=-(kSg+Ss)-1SgSs-1;获取每组人脸图像中的第i个人的人脸图像的高维特征向量xi和第j个人的人脸图像的高维特征向量xj;0<i≤n,0<j≤n,i≠j,n为一组人脸图像中的人数;根据所述H、所述L、所述Sg以及所述xi计算gi,根据所述H、所述L、所述xi、所述xj以及所述Ss计算Sij,根据所述gi更新所述Sg,根据所述Sij更新所述Ss,giT为gi的转置向量,SijT为Sij的转置向量;若所述Sg和所述Ss收敛,则得到所述Sg和所述Ss;若所述Sg和所述Ss不收敛,则再次执行所述根据所述Ss计算H,根据所述Sg和所述Ss计算L的步骤。3.根据权利要求2所述的方法,其特征在于,所述获取每组人脸图像中的第i张人脸图像的高维特征向量xi和第j张人脸图像的高维特征向量xj,包括:对于每组人脸图像,计算所述分组中的各张人脸图像的高维特征向量;计算所述各张人脸图像的高维特征向量的均值;对于所述分组中的每张人脸图像,将所述人脸图像的高维特征向量减去所述均值,得到均值化后的所述人脸图像的高维特征向量;将均值化后的所述人脸图像的高维特征向量确定为所述人脸图像的高维特征向量。4.根据权利要求1至3任一所述的方法,其特征在于,所述根据所述第一矩阵和所述第二矩阵,训练人脸模型矩阵,包括:根据所述第一矩阵和所述第二矩阵,计算第三矩阵和第四矩阵;所述第三矩阵为所述人脸图像库中的人脸特征的协方差矩阵,所述第四矩阵为所述人脸图像库中不同人的人脸特征之间的协方差矩阵;根据所述第三矩阵和所述第四矩阵,训练人脸模型矩阵。5.根据权利要求4所述的方法,其特征在于,所述根据所述第一矩阵和所述第二矩阵,计算第三矩阵和第四矩阵,包括:根据所述第一矩阵为Sg和所述第二矩阵为所述Ss计算所述第三矩阵Sμ,Su=con(u)=Sg+Ss;初始化所述第四矩阵Sε;根据所述Sμ计算F,根据所述Sμ和所述Sε计算G,m为所述人脸图像库中的各张人脸图像所对应的人的人数;根据所述F和所述G,计算所述人脸图像库中第i个人的高斯分布均值μi,以及所述第i个人和第j个人的联合分布协方差矩阵εij,其中,xi为所述第i个人的高维特征向量,xj为所述第j个人的高维特征向量;根据所述μi更新所述Sμ,根据所述和所述εij更新所述Sε,Sμ=cov(μ)=m-1ΣiμiμiT,Sϵ=cov(ϵ)=m-1ΣiΣjϵijϵijT,]]>为μi的转置向量,为εij的转置向量;若所述Sμ和所述Sε收敛,则得到所述Sμ和所述Sε;若所述Sμ和所述Sε不收敛,则再次执行所述根据所述Sμ计算F,根据Sμ和所述Sε计算G的步骤。6.根据权利要求5所述的方法,其特征在于,所述根据所述第三矩阵和所述第四矩阵,训练人脸模型矩阵,包括:根据所述第三矩阵Sμ、所述第四矩阵Sε、所述Sμ和所述Sε收敛时的所述F以及所述Sμ和所述Sε收敛时的所述G,训练得到所述人脸模型矩阵;所述人脸模型矩阵为:A=(Sμ+Sε)-1-(F+G),7.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取目标人脸图像的高维特征向量以及参考人脸图像的高维特征向量;根据所述目标人脸图像的高维特征向量、所述参考人脸图像的高维特征向量以及所述人脸模型矩阵,计算所述目标人脸图像与所述参考人脸图像的相似度。8.根据权利要求7所述的方法,其特征在于,所述根据所述目标人脸图像的高维特征向量、所述参考人脸图像的高维特征向量以及所述人脸模型矩阵,计算所述目标人脸图像与所述参考人脸图像的相似度,包括:所述相似度为:r(x1,x2)=x1TAx1+x2TAx2-2x1TGx2;]]>其中,x1为目标人脸图像的高维特征向量,x2为参考人脸图像的高维特征向量,为x1的转置向量,为x2的转置向量,A和G为所述人脸模型矩阵。9.一种人脸模型矩阵训练装置,其特征在...
【专利技术属性】
技术研发人员:丁守鸿,李季檩,汪铖杰,黄飞跃,吴永坚,谭国富,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。