一种人脸图像分类方法、系统、设备及计算机存储介质技术方案

本发明专利技术公开了一种人脸图像分类方法、系统、设备及计算机存储介质，其中该方法包括：获取人脸数据样本集；基于预设的二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量，以基于稀疏系数和偏移量对人脸数据样本集进行分类；其中，二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在分类函数中增加拉普拉斯正则参数得到的函数。实验证明，本发明专利技术提供的一种人脸图像分类方法、系统、设备及计算机存储介质的分类速度快，相比于现有技术的分类效率更高。

【技术实现步骤摘要】
一种人脸图像分类方法、系统、设备及计算机存储介质
本专利技术涉及图像处理
，更具体地说，涉及一种人脸图像分类方法、系统、设备及计算机存储介质。
技术介绍
随着科技的发展，人脸图像的分辨率越来越高，也就是说人脸数据的特征纬度越来越高，导致对人脸图像进行特征选择越来越困难；此外，现实生活中大量的人脸数据都是无标签数据，并且随着数据量的日益增大，数据标记的成本越来越高，通常能够获取的数据都只有少量的有标签样本，而大量的无标记样本往往没有得到很好的利用。为了方便对人脸图像进行特征选择以及提高无标记样本的利用率，现有技术中采用半监督支持向量机的特征选择方法，如S3VM-PiE、S3VM-PoDc以及S3VM-SCAD等，来对人脸图像进行分类。然而，现有的人脸图像分类方法耗时较长，对人脸图像的分类效率较低。综上所述，如何提高人脸图像分类方法的分类效率是目前本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种人脸图像分类方法，其能在一定程度上解决如何提高人脸图像分类效率的技术问题。本专利技术还提供了一种人脸图像分类系统、设备及计算机可读存储介质。为了实现上述目的，本专利技术提供如下技术方案：一种人脸图像分类方法，包括：获取人脸数据样本集；基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量，以基于所述稀疏系数和偏移量对所述人脸数据样本集进行分类；其中，所述二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；所述目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在所述分类函数中增加拉普拉斯正则参数得到的函数。优选的，所述二次规划公式为：所述约束条件为：β+,β-≥0,ξi≥0,i＝1,...,l；其中，X表示人脸数据样本集矩阵；T表示矩阵的转置；α表示稀疏系数，α＝α+-α-＝[α1,α2,...,αd]Τ；β表示偏移量，β＝β+-β-；γA≥0，γI≥0；xi∈Rd，yi是xi的标签，表明xi的类别，yi＝0表示xi为无标签样本，yi＝1表示xi为有标签的人脸数据，yi＝-1表示xi为有标签的非人脸数据；且l表示有标签样本的个数，d表示样本的维数；ξi表示松弛变量；δ为预先设定的参数；L表示所述拉普拉斯正则参数，L＝D-W，W表示相似性矩阵，D表示主对角矩阵；σ为预先设置的参数，Dii＝∑aWia，||α++α-||1表示所述一范数正则参数。优选的，所述基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量之后，还包括：确定值不为零的所述稀疏系数为目标系数，确定所述目标系数对应的样本维数为目标维数；基于所述目标维数对所述人脸数据样本集进行特征选择，得到特征人脸数据样本；基于所述目标系数和所述偏移量对所述特征人脸数据样本进行分类，得到分类结果。优选的，所述确定值不为零的所述稀疏系数为目标系数，确定所述目标系数对应的样本维数为目标维数，包括：基于确定公式确定所述目标系数和所述目标维数；所述确定公式为：F＝{j|αj≠0,j＝1,...,d}，c表示所述目标系数，F表示所述目标维数。优选的，所述基于所述目标维数对所述人脸数据样本集进行特征选择，得到特征人脸数据样本，包括：基于特征选择公式对所述人脸数据样本集进行特征选择，得到特征人脸数据样本；所述特征选择公式为：j表示所述目标维数，x'表示所述特征人脸数据样本。优选的，所述基于所述目标系数和所述偏移量对所述特征人脸数据样本进行分类，得到分类结果，包括：基于分类公式对所述特征人脸数据样本进行分类，得到分类结果；所述分类公式为：表示分类结果，c表示所述目标维数，x'表示所述特征人脸数据样本，表示待分类数据样本属于人脸数据，表示待分类人脸数据样本属于非人脸数据。一种人脸图像分类系统，包括：获取模块，用于获取人脸数据样本集；计算模块，用于基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量，以基于所述稀疏系数和偏移量对所述人脸数据样本集进行分类；其中，所述二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；所述目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在所述分类函数中增加拉普拉斯正则参数得到的函数。优选的，所述二次规划公式为：所述约束条件为：β+,β-≥0,ξi≥0,i＝1,...,l；其中，X表示人脸数据样本集矩阵；T表示矩阵的转置；α表示稀疏系数，α＝α+-α-＝[α1,α2,...,αd]Τ；β表示偏移量，β＝β+-β-；γA≥0，γI≥0；xi∈Rd，yi是xi的标签，表明xi的类别，yi＝0表示xi为无标签样本，yi＝1表示xi为有标签的人脸数据，yi＝-1表示xi为有标签的非人脸数据；且l表示有标签样本的个数，d表示样本的维数；ξi表示松弛变量；δ为预先设定的参数；L表示所述拉普拉斯正则参数，L＝D-W，W表示相似性矩阵，D表示主对角矩阵；σ为预先设置的参数，Dii＝∑aWia，||α++α-||1表示所述一范数正则参数。一种人脸图像分类设备，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上任一所述的人脸图像分类方法的步骤。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上任一所述的人脸图像分类设备的方法。本专利技术提供的一种人脸图像分类方法借助二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量，这里所说的二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件，这里所说的目标函数为将传统的支持向量机的分类函数中的二范数正常参数替换为一范数正则参数、并在分类函数中增加拉普拉斯正则参数得到的函数。实验证明，本专利技术提供的一种人脸图像分类方法的分类速度快，相比于现有技术的分类效率更高。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，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种人脸图像分类方法的流程图；图2为本专利技术实施例提供的一种人脸图像分类系统的结构示意图；图3为本专利技术实施例提供的一种人脸图像分类设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，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。本专利技术实施例提供的一种人脸图像分类方法中各个步骤的动作执行主体可以为本专利技术实施例提供的一种人脸图像分类系统，而该系统可以内置于计算机、服务器等中，所以本专利技术实施例提供的一种人脸图像分类方法中各个步骤的动作执行主体还可以为内置了该系统的计算机、服务器等。为了描述方便，这里假设本专利技术实施例提供的一种人脸图像分类方法中各个步骤的动作执行主体为本专利技术实施例提供的一种人脸图像分类系统，简称为分类系统。请参阅图1，本文档来自技高网...

【技术保护点】
1.一种人脸图像分类方法，其特征在于，包括：获取人脸数据样本集；基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量，以基于所述稀疏系数和偏移量对所述人脸数据样本集进行分类；其中，所述二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；所述目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在所述分类函数中增加拉普拉斯正则参数得到的函数。

【技术特征摘要】
1.一种人脸图像分类方法，其特征在于，包括：获取人脸数据样本集；基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量，以基于所述稀疏系数和偏移量对所述人脸数据样本集进行分类；其中，所述二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；所述目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在所述分类函数中增加拉普拉斯正则参数得到的函数。2.根据权利要求1所述的方法，其特征在于，所述二次规划公式为：所述约束条件为：β+,β-≥0,ξi≥0,i＝1,...,l；其中，X表示人脸数据样本集矩阵；T表示矩阵的转置；α表示稀疏系数，α＝α+-α-＝[α1,α2,...,αd]T；β表示偏移量，β＝β+-β-；γA≥0，γI≥0；xi∈Rd，yi是xi的标签，表明xi的类别，yi＝0表示xi为无标签样本，yi＝1表示xi为有标签的人脸数据，yi＝-1表示xi为有标签的非人脸数据；且l表示有标签样本的个数，d表示样本的维数；ξi表示松弛变量；δ为预先设定的参数；L表示所述拉普拉斯正则参数，L＝D-W，W表示相似性矩阵，D表示主对角矩阵；σ为预先设置的参数，Dii＝∑aWia，||α++α-||1表示所述一范数正则参数。3.根据权利要求2所述的方法，其特征在于，所述基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量之后，还包括：确定值不为零的所述稀疏系数为目标系数，确定所述目标系数对应的样本维数为目标维数；基于所述目标维数对所述人脸数据样本集进行特征选择，得到特征人脸数据样本；基于所述目标系数和所述偏移量对所述特征人脸数据样本进行分类，得到分类结果。4.根据权利要求3所述的方法，其特征在于，所述确定值不为零的所述稀疏系数为目标系数，确定所述目标系数对应的样本维数为目标维数，包括：基于确定公式确定所述目标系数和所述目标维数；所述确定公式为：F＝{j|αj≠0,j＝1,...,d}，c表示所述目标系数，F表示所述目标维数。5.根据权利要求3所述的方法，其特征在于，所述基于所述目标维数对所述人脸数据样本集进行特征选择，得到特征人脸数据样本，包括：基于特征选择公式对所述人脸数据样本...

【专利技术属性】
技术研发人员：张莉，徐志强，王邦军，凌兴宏，姚望舒，张召，李凡长，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32