The invention discloses a method and a device for face recognition, belonging to the technical field of computer. Methods include: extraction of partial two valued LBP pattern vector of target facial image; calculate the high-dimensional feature vectors of target facial image based on LBP feature vector matrix; obtaining training, training matrix by combining Bayesian algorithm of face face image in the training; according to the high dimensional feature vector of face image target and the training matrix, face recognition of target facial image; solves the existing face recognition technology in the low accuracy problem can be achieved; the LBP algorithm and combined with Bayesian algorithm for face recognition and improve the recognition accuracy.
【技术实现步骤摘要】
本专利技术涉及计算机
,特别涉及一种人脸识别方法和装置。
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。现有技术中,在计算特征的相似度时,通常采用基于马氏距离的计算方式来计算。然而受基于马氏距离的计算算法的限定,上述方案计算得到的相似度的准确度较低。
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识别方法和装置。所述技术方案如下:第一方面,提供了一种人脸识别方法,包括:提取目标人脸图像的局部二值模式LBP特征向量;根据所述LBP特征向量计算所述目标人脸图像的高维特征向量;获取训练矩阵,所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵;根据所述目标人脸图像的高维特征向量以及所述训练矩阵,对所述目标人脸图像进行人脸识别。第二方面,提供了一种人脸识别装置,包括:特征提取模块,用于提取目标人脸图像的局部二值模式LBP特征向量;第一计算模块,用于根据所述特征提取模块提取到的所述LBP特征向量计算所述目标人脸图像的高维特征向量;矩阵获取模块,用于获取训练矩阵,所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵;人脸识别模块,用于根据所述第一计算模块计算得到的所述目标人脸图像的高维特征向量以及所述矩阵获取模块获取到的所述训练矩阵,对所述目标人脸图像进行人脸识别。本专利技术实施例提供的技术方案的有益效果是:通过LBP算法提取目标人脸图像的LBP特征向量,进而根据该LBP特征向量以及训练矩阵来对目标人脸图像进行人脸识别, ...
【技术保护点】
一种人脸识别方法,其特征在于,所述方法包括:提取目标人脸图像的局部二值模式LBP特征向量;根据所述LBP特征向量计算所述目标人脸图像的高维特征向量;获取训练矩阵,所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵;根据所述目标人脸图像的高维特征向量以及所述训练矩阵,对所述目标人脸图像进行人脸识别。
【技术特征摘要】
1.一种人脸识别方法,其特征在于,所述方法包括:提取目标人脸图像的局部二值模式LBP特征向量;根据所述LBP特征向量计算所述目标人脸图像的高维特征向量;获取训练矩阵,所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵;根据所述目标人脸图像的高维特征向量以及所述训练矩阵,对所述目标人脸图像进行人脸识别。2.根据权利要求1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以及所述训练矩阵,对所述目标人脸图像进行人脸识别,包括:获取参考人脸图像的高维特征向量;设所述目标人脸图像的高维特征向量为x1,所述参考人脸图像的高维特征向量为x2,所述训练矩阵包括A和G;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训练矩阵,计算所述目标人脸图像和所述参考人脸图像的相似度,所述相似度为:r(x1,x2)=x1TAx1+x2TAx2-2x1TGx2;]]>其中,为x1的转置向量,为x2的转置向量。3.根据权利要求1所述的方法,其特征在于,所述提取目标人脸图像的局部二值模式LBP特征向量,包括:获取k个缩放后的目标人脸图像,k个所述缩放后的目标人脸图像为按照k个预设倍数对所述目标人脸图像分别进行缩放后得到的图像,k为正整数;对于所述目标人脸图像以及k个所述缩放后的目标人脸图像中的每一张人脸图像,确定所述人脸图像中的人脸关键点,提取所述人脸关键点处的LBP特征向量;根据提取到的各个所述人脸关键点的LBP特征向量,组合确定所述目标人脸图像的LBP特征向量。4.根据权利要求1所述的方法,其特征在于,所述根据所述LBP特征向量计算所述目标人脸图像的高维特征向量,包括:设所述目标人脸图像的LBP特征向量为xr;对xr进行主成分分析PCA降维,保留前N维特征,得到降维矩阵P,N为正整数;对所述xr,计算:xp=Pxr;对所述xp进行...
【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。