基于鲁棒判别字典对学习的人脸识别方法、装置及介质制造方法及图纸

本发明专利技术公开了一种基于鲁棒判别字典对学习的人脸识别方法，该方法包括以下步骤：接收对目标人脸信息的识别请求；通过预设的人脸识别模型查找与目标人脸信息对应的目标类人脸信息集；其中，人脸识别模型为通过结合鲁棒判别字典对学习算法、自适应稀疏编码表示以及邻域自适应重构生成的；从目标类人脸信息集中调取预存的目标参照人脸信息，并利用目标参照人脸信息对目标人脸信息进行识别。应用本发明专利技术实施例所提供的技术方案，较大地缩短了对人脸识别的耗时，提高了对人脸信息集的分类精度，提高了识别的准确度。本发明专利技术还公开了一种基于鲁棒判别字典对学习的人脸识别装置、设备及存储介质，具有相应技术效果。

【技术实现步骤摘要】
基于鲁棒判别字典对学习的人脸识别方法、装置及介质
本专利技术涉及计算机视觉和图像识别
，特别是涉及一种基于鲁棒判别字典对学习的人脸识别方法、装置、设备及计算机可读存储介质。
技术介绍
随着计算机技术和智能化的不断发展，图像识别已经发展成为计算机视觉与模式识别中非常重要的一个研究课题。如在人脸识别应用中，通过计算机将人脸图像电子化，然后分析人脸图像定位人脸，获取人脸的面部特征，在门禁系统、摄像监视系统和智能手机等领域有着重大的意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。但是人脸识别的过程具有一定难度，需要对人脸图像信息进行分类，如戴眼镜的为一类，不带眼镜的为一类，留有胡子的为一类，不留胡子的为一类，戴口罩的为一类，不戴口罩的为一类，等等。现有的基于字典学习的人脸识别系统在训练和识别过程中耗时巨大，影响了具体应用的投入。并且没有能够充分考虑不同的类别数据间的关系，对人脸图像信息的分类效果精度低，识别的准确度低。综上所述，如何有效地解决对人脸识别的耗时长、对人脸图像信息的分类效果精度低以及识别的准确度低等问题，是目前本领域技术人员急需解决的问题。
技术实现思路
本专利技术的目的是提供一种基于鲁棒判别字典对学习的人脸识别方法，该基于鲁棒判别字典对学习的人脸识别方法较大地缩短了对人脸识别的耗时，提高了对人脸信息集的分类精度，提高了识别的准确度；本专利技术的另一目的是提供一种基于鲁棒判别字典对学习的人脸识别装置、设备及计算机可读存储介质。为解决上述技术问题，本专利技术提供如下技术方案：一种基于鲁棒判别字典对学习的人脸识别方法，包括：接收对目标人脸信息的识别请求；通过预设的人脸识别模型查找与所述目标人脸信息对应的目标类人脸信息集；其中，所述人脸识别模型为通过结合鲁棒判别字典对学习算法、自适应稀疏编码表示以及邻域自适应重构生成的；从所述目标类人脸信息集中调取预存的目标参照人脸信息，并利用所述目标参照人脸信息对所述目标人脸信息进行识别。在本专利技术的一种具体实施方式中，所述人脸识别模型的生成过程包括：采用所述鲁棒判别字典对学习算法对每类人脸信息集进行学习，得到每类人脸信息集对应的子结构字典；通过所述自适应稀疏编码表示得到每类子结构字典对应的稀疏编码集；通过所述邻域自适应重构得到各类所述稀疏编码集对应的类内邻域自适应表示权重；分别利用各所述类内邻域自适应表示权重对相应的人脸信息集进行重构，得到所述人脸识别模型。在本专利技术的一种具体实施方式中，在通过所述自适应稀疏编码表示得到每类子结构对应的稀疏编码集之后，还包括：采用近似分析方法，获取每类稀疏编码集对应的分析字典；通过所述邻域自适应重构得到各类所述稀疏编码集对应的类内邻域自适应表示权重，包括：通过所述邻域自适应重构得到各类所述分析字典对应的类内邻域自适应表示权重。在本专利技术的一种具体实施方式中，在获取每类稀疏编码集对应的分析字典之后，还包括：通过Frobenius范数对各类所述分析字典进行约束。在本专利技术的一种具体实施方式中，在分别利用各所述类内邻域自适应表示权重对相应的人脸信息集进行重构之后，还包括：通过每类人脸信息集对应的稀疏增强项将各类人脸信息集进行划分。在本专利技术的一种具体实施方式中，还包括：利用拉格朗日微分迭代求解算法，对每类人脸信息集对应的模型参数进行优化处理；其中，所述模型参数包括所述子结构字典、所述稀疏编码集、所述分析字典及所述类内邻域自适应表示权重。一种基于鲁棒判别字典对学习的人脸识别装置，包括：请求接收模块，用于接收对目标人脸信息的识别请求；人脸信息集查找模块，用于通过预设的人脸识别模型查找与所述目标人脸信息对应的目标类人脸信息集；其中，所述人脸识别模型为通过结合鲁棒判别字典对学习算法、自适应稀疏编码表示以及邻域自适应重构生成的；人脸信息识别模块，用于从所述目标类人脸信息集中调取预存的目标参照人脸信息，并利用所述目标参照人脸信息对所述目标人脸信息进行识别。在本专利技术的一种具体实施方式中，包括：子结构字典获得模块，用于采用所述鲁棒判别字典对学习算法对每类人脸信息集进行学习，得到每类人脸信息集对应的子结构字典；稀疏编码集获得模块，用于通过所述自适应稀疏编码表示得到每类子结构字典对应的稀疏编码集；类内邻域自适应表示权重获得模块，用于通过所述邻域自适应重构得到各类所述稀疏编码集对应的类内邻域自适应表示权重；模型获得模块，用于分别利用各所述类内邻域自适应表示权重对相应的人脸信息集进行重构，得到所述人脸识别模型。一种基于鲁棒判别字典对学习的人脸识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如前所述基于鲁棒判别字典对学习的人脸识别方法的步骤。一种计算机可读存储介质，所述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前所述基于鲁棒判别字典对学习的人脸识别方法的步骤。应用本专利技术实施例所提供的方法，接收对目标人脸信息的识别请求；通过预设的人脸识别模型查找与目标人脸信息对应的目标类人脸信息集；其中，人脸识别模型为通过结合鲁棒判别字典对学习算法、自适应稀疏编码表示以及邻域自适应重构生成的；从目标类人脸信息集中调取预存的目标参照人脸信息，并利用目标参照人脸信息对目标人脸信息进行识别。通过结合鲁棒判别字典对学习算法、自适应稀疏编码表示以及邻域自适应重构得到各类人脸信息集，充分考虑了不同类别的人脸信息集中人脸信息的关系，使得不同类人脸信息集保持独立，建立相同类人脸信息集之间的表示关系，较大地缩短了对人脸识别的耗时，提高了对人脸信息集的分类精度，提高了识别的准确度。相应的，本专利技术实施例还提供了与上述基于鲁棒判别字典对学习的人脸识别方法相对应的基于鲁棒判别字典对学习的人脸识别装置、设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本专利技术实施例中基于鲁棒判别字典对学习的人脸识别方法的一种实施流程图；图2为本专利技术实施例中基于鲁棒判别字典对学习的人脸识别方法的另一种实施流程图；图3为本专利技术实施例中一种基于鲁棒判别字典对学习的人脸识别装置的结构框图；图4为本专利技术实施例中一种基于鲁棒判别字典对学习的人脸识别设备的结构框图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，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他实施例，都属于本专利技术保护的范围。实施例一：参见图1，图1为本专利技术实施例中基于鲁棒判别字典对学习的人脸识别方法的一种实施流程图，该方法可以包括以下步骤：S101：接收对目标人脸信息的识别请求。在需要对目标人脸信息进行识别时，可以向人脸识别系统发送识别请求，人脸识别系统接收对目标人脸信息的识别请求。对目标人脸信息的识别请求的生成触发条件可以是在当人脸识别系统感应到目标人脸信息时自动生成的。目标人脸本文档来自技高网...

【技术保护点】
1.一种基于鲁棒判别字典对学习的人脸识别方法，其特征在于，包括：接收对目标人脸信息的识别请求；通过预设的人脸识别模型查找与所述目标人脸信息对应的目标类人脸信息集；其中，所述人脸识别模型为通过结合鲁棒判别字典对学习算法、自适应稀疏编码表示以及邻域自适应重构生成的；从所述目标类人脸信息集中调取预存的目标参照人脸信息，并利用所述目标参照人脸信息对所述目标人脸信息进行识别。

【技术特征摘要】
1.一种基于鲁棒判别字典对学习的人脸识别方法，其特征在于，包括：接收对目标人脸信息的识别请求；通过预设的人脸识别模型查找与所述目标人脸信息对应的目标类人脸信息集；其中，所述人脸识别模型为通过结合鲁棒判别字典对学习算法、自适应稀疏编码表示以及邻域自适应重构生成的；从所述目标类人脸信息集中调取预存的目标参照人脸信息，并利用所述目标参照人脸信息对所述目标人脸信息进行识别。2.根据权利要求1所述的基于鲁棒判别字典对学习的人脸识别方法，其特征在于，所述人脸识别模型的生成过程包括：采用所述鲁棒判别字典对学习算法对每类人脸信息集进行学习，得到每类人脸信息集对应的子结构字典；通过所述自适应稀疏编码表示得到每类子结构字典对应的稀疏编码集；通过所述邻域自适应重构得到各类所述稀疏编码集对应的类内邻域自适应表示权重；分别利用各所述类内邻域自适应表示权重对相应的人脸信息集进行重构，得到所述人脸识别模型。3.根据权利要求2所述的基于鲁棒判别字典对学习的人脸识别方法，其特征在于，在通过所述自适应稀疏编码表示得到每类子结构对应的稀疏编码集之后，还包括：采用近似分析方法，获取每类稀疏编码集对应的分析字典；通过所述邻域自适应重构得到各类所述稀疏编码集对应的类内邻域自适应表示权重，包括：通过所述邻域自适应重构得到各类所述分析字典对应的类内邻域自适应表示权重。4.根据权利要求3所述的基于鲁棒判别字典对学习的人脸识别方法，其特征在于，在获取每类稀疏编码集对应的分析字典之后，还包括：通过Frobenius范数对各类所述分析字典进行约束。5.根据权利要求4所述的基于鲁棒判别字典对学习的人脸识别方法，其特征在于，在分别利用各所述类内邻域自适应表示权重对相应的人脸信息集进行重构之后，还包括：通过每类人脸信息集对应的稀疏增强项将各类人脸信息集进行划分。6.根据权利要求5所述的基于鲁...

【专利技术属性】
技术研发人员：张召，孙玉林，张莉，王邦军，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32