人脸模型矩阵训练方法和装置制造方法及图纸

本发明专利技术公开了一种人脸模型矩阵训练方法和装置，属于计算机技术领域。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。避免了现有技术中终端同时加载人脸图像库中的所有人脸图像至内存时占用内存较大的问题，达到了可以每次只加载一个分组中的人脸图像至内存，进而降低训练过程中所需占用的内存的效果。

Face model matrix training method and device

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；矩阵训练模块，用于根据所述矩阵计算模块计算得到的所述第一矩阵和所述第二矩阵，训练人脸模型矩阵。本专利技术实施例提供的技术方案的有益效果是：通过将人脸图像库中的人脸图像分成k个分组，每次只加载一个分组中的人脸图像至内存并进行解析，之后根据各个解析结果计算第一矩阵和第二矩阵，并根据第一矩阵和第二矩阵训练人脸模型矩阵；避免了现有技术中终端同时加载人脸图像库中的所有人脸图像至内存时占用内存较大的问题，达到了可以每次只加载一个分组中的人脸图像至内存，进而降低训练过程中所需占用的内存的效果。同时，由于每次只需要对一个分组中的人脸图像进行解析，这也一定程度上降低了终端的计算复杂度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述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专利技术的一些实施例，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是本专利技术各个实施例提供的人脸模型矩阵训练方法所涉及的服务器的框图；图2是本专利技术一个实施例提供的人脸模型矩阵训练方法的方法流程图；图3是本专利技术另一个实施例提供的人脸模型矩阵训练方法的方法流程图；图4是本专利技术一个实施例提供的人脸模型矩阵训练装置的结构方框图；图5是本专利技术另一个实施例提供的人脸模型矩阵训练装置的结构方框图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部份实施例，而不是全部的实施例。基于本专利技术中的实施例，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它实施例，都属于本专利技术保护的范围。本专利技术各个实施例所涉及的人脸模型矩阵训练方法可以用于服务器100中。具体的，请参考图1，所述服务器100包括中央处理单元(CPU)101、包括随机存取存储器(RAM)102和只读存储器(ROM)103的系统存储器104，以及连接系统存储器104和中央处理单元101的系统总线105。所述服务器100还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)106，和用于存储操作系统113、应用程序112和其他程序模块115的大容量存储设备107。所述基本输入/输出系统106包括有用于显示信息的显示器108和用于用户输入信息的诸如鼠标、键盘之类的输入设备109。其中所述显示器108和输入设备109都通过连接到系统总线105的输入输出控制器110连接到中央处理单元101。所述基本输入/输出系统106还可以包括输入输出控制器110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器110还提供输出到显示屏、打印机或其他类型的输出设备。所述大容量存储设备107通过连接到系统总线105的大容量存储控制器(未示出)连接到中央处理单元101。所述大容量存储设备107及其相关联的计算机可读介质为服务器100提供非易失性存储。也就是说，所述大容量存储设备107可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器104和大容量存储设备107可以统称为存储器。根据本专利技术的各种实施例，所述服务器100还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器100可以通过连接在所述系统总线105上的网络接口单元111连接到网络112，或者说，也可以使用网络接口单元111来连接到其他类型的网络或远程计算机系统(未示出)。所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序用于执行下述实施例提供的人脸模型矩阵训练方法。请参考图2，其示出了本专利技术一个实施例提供的人脸模型矩阵训练方法的方法流程图，本实施例以该人脸模型矩阵训练方法用于图1所示的服务器中来举例说明。如图2所示，该人脸模型矩阵训练方法可以包括：步骤201，获取人脸图像库，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。步骤202，对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。第一矩阵为每组人脸图像的人脸特征的组内协方差矩阵，第二矩阵为k组人脸图像的人脸特征的组间协方差矩阵。步骤203，根据第一矩阵和第二矩阵，训练人脸模型矩阵。综上所述，本实施例提供的人脸模型矩阵训练方法，通过将人脸图像库中的人脸图像分成k个分组，每次只加载一个分组中的人脸图像至内存并进行解析，之后根据各个解析结果计算第一矩阵和第二矩阵，并根据第一矩阵和第二矩阵训练人脸模型矩阵；避免了现有技术中终端同时加载人脸图像库中的所有人脸图像至内存时占用内存较大的问题，达到了可以每次只加载一个分组中的人脸图像至内存，进而降低训练过程中所需占用的内存的效果。同时，由于每次只需要对一个分组中的人脸图像进行解析，这也一定程度上降低了终端的计算复杂度。请参考图3，其示出了本发本文档来自技高网...

【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