【技术实现步骤摘要】
基于稀疏表达和神经网络的人脸识别方法
本专利技术涉及一种人脸识别
，是一种基于稀疏表达和神经网络的人脸识别方法。
技术介绍
人脸特征提取是人脸识别关键步骤，目前多使用PCA、2DPCA和LDA等算法进行人脸特征提取，其中运用PCA算法进行降维，再通过LDA算法进行人脸特征提取，PCA算法能使用较少的数据维度，并保证在降维后最大化保持的数据内在信息，但是对数据的区分作用不大，反而会使得数据点揉杂在一起，造成无法区分，而LDA算法是为了使降维后的数据点尽可能地容易被区分，两种算法的结合起到了相互补充的作用，非常有效的提取了人脸特征，但该提取方式是直接从灰度空间提取人脸数据，使得提取的人脸数据中含有大量的噪声和冗余信息，导致降低了识别率，并延长了识别时间。
技术实现思路
本专利技术提供了一种基于稀疏表达和神经网络的人脸识别方法，克服了上述现有技术之不足，其能有效解决人脸识别方法中存在的所提取的人脸数据中含有大量的噪声和冗余信息，导致识别率降低的问题。本专利技术的技术方案是通过以下措施来实现的：一种...
【技术保护点】
1.一种基于稀疏表达和神经网络的人脸识别方法，其特征在于，包括以下步骤：/n根据多组人脸灰度图像，建立训练样本集和待识别图片集；/n通过KSVD算法对训练样本进行计算，获得稀疏域表达的训练样本和更新后的过完备字典；/n对稀疏域表达的训练样本进行降维，获得降维后的训练样本；/n使用训练样本通过机器学习训练得出的识别模型；/n将待识别图片输入到识别模型中进行人脸识别。/n
【技术特征摘要】
1.一种基于稀疏表达和神经网络的人脸识别方法，其特征在于，包括以下步骤：
根据多组人脸灰度图像，建立训练样本集和待识别图片集；
通过KSVD算法对训练样本进行计算，获得稀疏域表达的训练样本和更新后的过完备字典；
对稀疏域表达的训练样本进行降维，获得降维后的训练样本；
使用训练样本通过机器学习训练得出的识别模型；
将待识别图片输入到识别模型中进行人脸识别。
2.根据权利要求1所述的基于稀疏表达和神经网络的人脸识别方法，其特征在于，所述通过KSVD算法对训练样本进行计算，获得稀疏域表达的训练样本和训练后的过完备字典，包括：
设定Y为训练样本集，Y＝[y1,y2LyiLyn]，y为训练样本在灰度空间中的向量表示，即训练样本在灰度空间中的向量表示，n为训练样本个数，x为训练样本稀疏域中的向量表示；
根据下式通过过完备字典D将y转换为x：
x＝D-1y
其中D为过完备字典，D∈Rm×n,x∈Rn×l,n>m；y为训练样本在灰度空间中的向量表示；
根据x获得新训练样本集X，X＝[x1,x2LxiLxn]，n为训练样本个数；通过X循环迭代更新过完备字典D，获得更新后的过完备字典D。
3.根据权利要求1或2所述的基于稀疏表达和神经网络的人脸识别方法，其特征在于，所述通过LDA算法对稀疏域表达的训练样本进行降维，获得降维后的训练样本，包括：
设定将稀疏域表达的训练样本从n维向量降维至d维向量；
构造类间的散步矩阵和类内的散步矩阵；
计算矩阵中最大的d个特征值和对应的d个特征向量，构造一个转换矩阵Wopt；
使用转换矩阵Wopt将稀疏域表达的训练样本映射到新的特征子空间上，获得降维后的训练样本。
4.根据权利要求1或2所述的基于稀疏表达和神经网络的人脸识别方法，其特征在于，所述将待识别图片输入到识别模型中进行人脸识别，需将待识别图片进行处理，处理包括：
使用更新后的过完备字典通过KSVD算法对待识别图片进行计算，获得稀疏域表达的待识别图片；
对稀疏域表达的待识别图片进行降维，获得降维后的待识别图片；
将降维后的待识别图片输入到识别模型中进行人脸识别。
5.根据权利要求3所述的基于稀疏表达和神经网络的人脸识别方法，其特征在于，所述将待识别图片输入...
【专利技术属性】
技术研发人员：祁彦庆，崔力民，张海波，马斌，郝玮，冯杰，杨站齐，吾米提，康龄泰，张南，张振杰，胡红艳，左航，
申请(专利权)人：国网新疆电力有限公司信息通信公司，国家电网有限公司，
类型：发明
国别省市：新疆;65
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。