The invention discloses a method and a device for face recognition, which belongs to the field of biometrics. The method includes: to test samples set is preprocessed to obtain recognition sample set using the new iterative sparse matrix; convex non negative matrix factorization method to identify the set of sample matrix, coefficient matrix of optimal basis matrix to identify the sample set and the optimal coefficient matrix; optimal coefficient matrix using the trained classifier for the identification of samples for classification, face recognition. The invention adopts the new iterative rules and iterative optimization in the iterative process of matrix of coefficient matrix is sparse, and iterative solution of the coefficient matrix and the optimal coefficient matrix optimal basis matrix to identify the sample set, to improve the recognition rate, reduce the amount of computation, which makes the final recognition face recognition method has high the rate and shorter operation time.
【技术实现步骤摘要】
人脸识别方法和装置
本专利技术涉及生物识别领域,特别涉及一种人脸识别方法和装置。
技术介绍
人脸识别是一种新兴的生物识别技术,由于在应用方面具有非接触性、友好、使用方便、直观等优点,使其在罪犯识别、证件验证及医学等领域有着广泛的应用前景和巨大的市场潜力。目前常见的人脸识别技术可分为几类:基于几何特征的识别技术、基于数学模型的识别技术、基于子空间分析的识别技术等。基于子空间分析的识别技术是当前人脸识别中的主流方法之一,它的基本思想是通过一个映射将高维空间中的人脸图像投影到一个低维子空间中,在这个低维子空间中对特征系数进行分类识别。传统的子空间分析法一般采用主成分分析(PrincipalComponentsAnalysis,PCA)、稀疏非负矩阵分解(SparseNon-negativeMatrixFactorization,SNMF)、凸非负矩阵分解(ConvexNMF,CNMF)等特征降维方法。非负矩阵分解是在矩阵的所有元素均非负的条件下实现矩阵的分解。图像灰度值的非负性使得非负矩阵分解较无限制的主成分分析更具有可解释性。直接用非负矩阵分解(NMF)方法进行人脸特征提取,由于基矩阵的系数矩阵没有被优化和稀疏,导致人脸识别率不高;CNMF是NMF的推广,可使得数据更有解释性,可一定程度上提高人脸识别率。CNMF是由半非负矩阵分解(Semi-NMF)衍变而来,在Semi-NMF中,X=FGT,F和X是没有约束的,只要求G非负,Ding等人把矩阵F替换成原始矩阵X的非负凸组合,即F=XW,进而得到一种新的分解形式X=XWGT,其中F和G被约束成非负矩阵,X没有约 ...
【技术保护点】
一种人脸识别方法,其特征在于,所述方法包括:对待识别样本集进行预处理,得到待识别样本集矩阵;采用新迭代稀疏凸非负矩阵分解法对所述待识别样本集矩阵进行处理,求出所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵,所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵采用如下迭代公式迭代产生:
【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:对待识别样本集进行预处理,得到待识别样本集矩阵;采用新迭代稀疏凸非负矩阵分解法对所述待识别样本集矩阵进行处理,求出所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵,所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵采用如下迭代公式迭代产生:其中,S为所述待识别样本集矩阵,大小为J×I,J、I均为正整数,J为所述待识别样本集中每个样本的低频特征维度,I为所述待识别样本集的样本数量,ST为S的转置矩阵;U为第n次迭代得到的基矩阵的系数矩阵,Q为第n次迭代得到的系数矩阵,U'为第n-1次迭代得到的基矩阵的系数矩阵,Q'为第n-1次迭代得到的系数矩阵,U、Q、U'和Q'大小均为I×K,K表示S的特征维度,K为正整数且K≤J,n为大于1的正整数;U'T为U'的转置矩阵,Q'T为Q'的转置矩阵,QT为Q的转置矩阵;Uik为U的第i行第k列的元素,Qik为Q的第i行第k列的元素,i、k均为正整数,且i≤I,k≤K;U'ik为U'的第i行第k列的元素,Q'ik为Q'的第i行第k列的元素;当J(V)的值最小时,U为最优基矩阵的系数矩阵,Q为最优系数矩阵,J(V)=Tr(-2VTF+-VTE-VD),其中F+=(STS)+Q,E-=(STS)-,D=QTQ,V=U,VT为V的转置矩阵;采用训练好的分类器对所述待识别样本集的最优系数矩阵进行分类,完成人脸识别。2.根据权利要求1所述的方法,其特征在于,所述采用新迭代稀疏凸非负矩阵分解法对所述待识别样本集矩阵进行处理,求出所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵,包括:在设定范围内确定K的值;对于确定出的K的值,采用新迭代稀疏凸非负矩阵分解法对所述待识别样本集矩阵进行分解,求出K对应的所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵。3.根据权利要求2所述的方法,其特征在于,所述对于确定出的K的值,采用新迭代稀疏凸非负矩阵分解法对所述待识别样本集矩阵进行分解,求出K对应的所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵,包括:根据K确定初始基矩阵的系数矩阵和初始系数矩阵;根据所述初始基矩阵的系数矩阵和初始系数矩阵以及所述迭代公式进行迭代计算;将每一步迭代计算出的基矩阵的系数矩阵和系数矩阵代入目标函数:J(V)=Tr(-2VTF+-VTE-VD),其中F+=(STS)+Q,E-=(STS)-,D=QTQ,V=U;当所述目标函数的值达到稳定状态,结束迭代计算,并将最后一次迭代计算出的基矩阵的系数矩阵和系数矩阵作为所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵,其中,所述稳定状态是指所述目标函数的值保持不变或者变动幅度小于预定幅度;或者,当迭代次数达到迭代次数阈值时,选取最后一次迭代计算出的基矩阵的系数矩阵和系数矩阵作为所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵。4.根据权利要求3所述的方法,其特征在于,所述对于确定出的K的值,采用新迭代稀疏凸非负矩阵分解法对所述待识别样本集矩阵进行分解,求出K对应的所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵,还包括:确定稀疏化阈值;在每一步迭代计算后,判断迭代计算出的基矩阵的系数矩阵中的每个数值与稀疏化阈值的大小;将迭代计算出的基矩阵的系数矩阵中大于稀疏化阈值的数值设置为1,将迭代计算出的基矩阵的系数矩阵中小于或等于稀疏化阈值的数值设置为0。5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:对训练样本集进行预处理,得到训练样本集矩阵;采用新迭代稀疏凸非负矩阵分解法对所述训练样本集矩阵进行处理,求出所述训练样本集的最优基矩阵的系数矩阵和最优系数...
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。