The technical problem to be solved is to provide a validation of high efficiency, fast calculation speed of the recognition of face and facial expression and recognition method, which comprises the following steps: generating vector biological information about the user set; access to biological information input from the user, calculating the difference vector; vector difference to use collaborative calculation the regression coefficient method; the regression coefficient of biological information input samples of these samples of the category to a minimum residual set; and the use of the coefficient vector points to the minimum residual contrast according to the coefficient vector of the minimum residual concentration of samples; the device control instruction and authentication information combined to produce control signal equipment and transfer to the needed corresponding control equipment. The invention relates to a method for recognizing faces and expressions simultaneously, which avoids the problem that the use of multiple recognition modes may cause the operation delay or not to be recognized, and the efficiency of the comparison is obviously improved.
【技术实现步骤摘要】
本专利技术涉及一种人脸识别方法,特别涉及一种生物信息特征的识别方法,尤其至人脸及表情的识别。
技术介绍
人脸识别有无需接触、交互便利等优势,在各种场合中都有广泛应用。人脸识别方法主要包括特征提取,特征匹配,相似度计算这三个部分。人脸数据库在已经存储若干人脸的情况下采集特定脸孔进行特征提取并进行相似度计算,不同的算法得到的特征相似度需要与预设的门槛阈值进行比较,当该相似度与阈值范围内则判定人脸身份。表情识别是识别当前人的表情状态,在许多场合中均有应用,如表情拍照,情绪检测,活体检测等。但将人脸识别与表情识别同时应用则较少,且已知的在识别上效率不高,计算速度较慢。
技术实现思路
本专利技术所要解决的技术问题是提供一种验证效率高、识别计算速度快的人脸和表情同时识别的方法。为此,本专利技术采用以下步骤:S110,生成关于用户的生物信息的矢量集,该矢量集包括正面人脸和n类不同表情人脸与平均中性人脸的相差人脸组成,n种表情相差人脸组成的矩阵为D=[D1,D2,D3,...,Dn],其中,Di(i=1,2,…,n)表示第i种表情相差人脸组成的矩阵;S120,获取来自用户的生物信息输入样本,计算该生物信息输入样本f与平均中性样本之间的矢量差:S130,利用矢量差来使用协同表示方法计算回归系数x:并求解x为x=(DTD+λI)-1DTd(3)其中λ表示正则化参数,I表示单位矩阵;S140,使用回归系数将上述的生物信息输入样本f的样本类别归类至一个最小残差集请注意是最小残差的种类中:一般的协同运算中没有这种方式;S150,根据最小残差集中的样本类别的系数向量使用指向最小残差的系 ...
【技术保护点】
一种人脸和表情同时识别的方法,其特征在于它包括如下步骤:S110,生成关于用户的生物信息的矢量集,该矢量集包括正面人脸和n类不同表情人脸与平均中性人脸的相差人脸组成,n种表情相差人脸组成的矩阵为D=[D1,D2,D3,...,Dn],其中,Di(i=1,2,…,n)表示第i种表情相差人脸组成的矩阵;S120,获取来自用户的生物信息输入样本,计算该生物信息输入样本f与平均中性样本之间的矢量差:d=f-n‾---(1)]]>S130,利用矢量差来使用协同表示方法计算回归系数x:x=argminx{||d-Dx||22+λ||x||22}---(2)]]>并求解x为x=(DTD+λI)‑1DTd (3)其中λ表示正则化参数,I表示单位矩阵;S140,使用回归系数将上述的生物信息输入样本f的样本类别归类至一个最小残差集请注意是最小残差的种类中:Expression(y)=argmini{||d-Dixi||2/||xi||2}---(4);]]>S150,根据最小残差集中的样本类别的系数向量使用指向最小残差的系数向量来对比,根据获得的xi,计算将与N类正面人 ...
【技术特征摘要】
1.一种人脸和表情同时识别的方法,其特征在于它包括如下步骤:S110,生成关于用户的生物信息的矢量集,该矢量集包括正面人脸和n类不同表情人脸与平均中性人脸的相差人脸组成,n种表情相差人脸组成的矩阵为D=[D1,D2,D3,...,Dn],其中,Di(i=1,2,…,n)表示第i种表情...
【专利技术属性】
技术研发人员:徐鹤还,章昭,王晓东,
申请(专利权)人:杭州鸿雁电器有限公司,
类型:发明
国别省市:浙江;33
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。