一种由大规模特征集的图像识别的方法技术

本发明专利技术提出一种由大规模特征集的图像识别的方法，包括对样本图像信息进行大规模图像分割；对样本图像进行大规模的图像变换的方法在内的图像信息深度抽出的方法。该方法还包括考虑大规模特征集的各个要素对于识别结果的作用；考虑复数特征值的共同概率分布信息；考虑样本特征值处于被登录的复数特征值的共同概率分布，与被登录的特征值的概率分布的共同的位置上的概率分布信息；考虑样本特征向量与被登录的特征向量之间最大几率的概率信息等在内的深度图像识别的方法。本发明专利技术的效果是：可以定量的对人脸识别进行评价，把可利用的信息全部利用上，从而实现人脸识别的最佳化。

【技术实现步骤摘要】
一种由大规模特征集的图像识别的方法
本专利技术属于图像处理领域中的一种由大规模特征集的图像识别的方法。当前，人脸识别领域的技术竞争成为人工智能的主战场，其竞争的程度已达到非常激烈的程度。有日本电气公司公开了题为：“模式识别方法”(专利文献1)。在这个专利里公开了一个将人脸五官位置的30个特征值组成的特征向量，然后用于训练同一人的人脸特征向量的集合内与不同人脸特征向量集合间的协方差，最后通过马氏距离(MahalanobisDistance)公式，得出样本特征向量与登录后的不同的人脸特征向量之间最小距离的特征向量所对应的人脸数据设定为识别结果。作为拥有日本最高水平的人脸识别技术的日本电气公司之后又公开了：“人脸特征数据生成方法及装置，并且人脸类似度的算出方法与装置”(专利文献2)。这个专利在上一个专利的基础上进一步对于每一个人脸图像的识别增加了一个信赖度指标的处理。这个信赖度指标是来自特征向量间的向量差的正态分布，特征向量的差向量的特征值间的方差，把人脸特征间的差向量的事后分布作为混合分布，从混合分布的对数尤度中导出来的等等，按照信赖度将模式之间的类似度算出，从而可以提高人脸识别的精度。还是日本电气公司同韩国三星电子，在2004年又公开了一个人脸识别的专利：“人脸识别以及用于检索的特征向量抽出方法及其装置”(专利文献3)。在这个专利中公开了针对整体的人脸图像的第1正规化向量，第2正规化向量，通过傅立叶变换生成整体的傅立叶变换特征向量，再针对中心部位的人脸图像的第3正规化向量，第4正规化向量，通过傅立叶变换生成中心部位的傅立叶变换特征向量。对于整体的人脸图像生成整体的强度特征向量，对于所定的局部区域的人脸图像生成局部的强度特征向量。上述第1正规化向量，第2正规化向量与全体的强度特征向量结合生成整体特征向量，上述第3正规化向量，第4正规化向量与局部的强度特征向量结合生成局部特征向量。以此构成用于检索的特征向量。针对上述的专利技术日本电气公司在2006年又公开了题为：“人脸特征数据的生成方法与装置，以及人脸识别方法与系统”的专利(专利文献4)。该专利在专利文献3的基础上，又提出了通过图像的对比度不同生成信赖度值，以及通过图像的像素最大灰度值与最小灰度值的不同生成信赖度值，以及通过图像的像素分散与标准方差的不同生成信赖度值，以及通过图像的非对称指标的不同生成信赖度值，以及通过提取图像和反转图像之间的差分图像的像素值的相乘或相加所得到的值的不同生成信赖度值等的反映原图像状态的信赖度的新的计算方法。经过十几年后日本电气公司就人脸识别技术又公开了最新的专利：“人脸识别装置，人脸识别方法，人脸识别程序，显示控制装置，显示控制方法以及显示控制程序”(专利文献5)。这个专利提出了按照人脸图像的局部进行识别的方法，根据人脸局部图像的类似度的阀值得出各个人脸局部图像之间的类似，模棱两可，不类似三个结果，按照每一个人脸局部图像的这三个结论作为整体人脸图像的识别的依据。【公开文献】【专利文献1】特開平9-134432号公告【专利文献2】特開平2003-187229号公告【专利文献3】特開平特開2004-139596(P2004-139596A)【专利文献4】特開2006-344236(P2006-344236A)【专利文献5】特開2018-49655(P2018-49655A)上述的专利文献1中记述的方法，用于训练同一人的人脸特征向量的集合内与不同人脸特征向量集合间的协方差，并且用马氏距离获得最终的识别结果，虽然可以把概率统计的公式性的算法应用于人脸识别，从而可以比传统图像识别方法具有很大的进步，但是在人脸识别图像中存在着大量的随机干扰，如何做到超越概率统计的公式性算法，滤除人脸图像以及特征值的噪声，使预测识别结果达到接近母体的程度距离甚远。再有马氏距离只能考虑特征向量之间的类似关系，不能直接用可以统一欧几里德空间与概率空间的距离，进行高精度的计算不同特征向量之间的尺度关系，成为一个影响识别精度提高的问题。上述的专利文献2中记述的方法，对于每一个人脸图像的识别增加了一个信赖度指标的处理，这种方法无疑可以提高人脸识别的精度，但是信赖度的定义缺乏严密的科学性，不能做到最佳化的识别结果。上述的专利文献3中记述的方法，提出了用傅立叶变换的频谱作为人脸图像的特征向量，由于人脸图像的旋转对频谱影响较大，以及频谱信息对人脸图像的特征信息的反映不是很灵敏，而且充斥着大量噪声的特征值，严重影响识别率的提高。上述的专利文献4中记述的方法，通过生成可以反映原图像状态的信赖度，来增加人脸识别的精度，但是，信赖度的生成不够严谨。上述的专利文献5中记述的方法，按照人脸图像的局部进行逐个识别的方法，最终信赖度的处理用三个信赖度阀值作为判断基准缺乏严密性，而且在人脸局部图像的识别上仍然存在上述的诸问题。
技术实现思路
本专利技术的第一个目的是：提供一种适合于亿万级的大规模的特征向量的产生的图像识别的信息抽出方法，可以解决被识别图像的错位问题，可以最有效的提取被识别图像的特征信息。本专利技术的第二个目的是：提供一个可以解决在大规模的图像特征向量中，如何在大量的被识别图像的特征值中，获得高信赖值的特征值数据的筛选问题。本专利技术的第三个目的是：提出一个小数据训练可以产生超越传统的深度学习数据集数量的，大数据特征向量的新一代人工智能模型的构成方法。本专利技术的第四个目的是：提出一个图像处理与图像识别多目的自动机器学习的模型。本专利技术的第五个目的是：提出一个无需训练的自动机器学习的3D物体识别的方法。本专利技术的第六个目的是：提出一个针对雷达数据实现数据深度挖掘，机器理解的处理方法。本专利技术为解决其技术问题是采取以下技术方案实现的：一种由大规模特征集的图像识别的方法，其特点是：(1)对图像信息进行深度抽出；(2)对上述抽出的图像信息进行图像深度识别。而且，所述对图像信息进行深度抽出是指：对样本图像信息进行大规模图像分割的方法；或者针对至少一个分割图像通过图像变换的方法对图像信息进行深度抽出的方法。而且，所述图像深度识别的方法是指：考虑被登录的大规模特征集对于识别结果的作用的方法，或者是考虑特征向量间的最小距离与特征向量的各个特征值的最大几率空间的尺度的累加值之间的比例值的方法，或者是考虑复数特征值的共同概率分布信息的方法，或者是考虑样本特征值处于被登录的特征值的概率分布的位置上的概率分布信息的方法；或者是考虑样本特征值处于被登录的复数特征值的共同概率分布，与被登录的特征值的概率分布的共同的位置上的共同的概率分布信息的方法，或者是考虑样本特征向量与被登录的特征向量之间最大几率的概率信息的方法，或者是考虑对登录特征向量的特征值的概率分布进行分割的方法中至少一种深度图像识别的方法。而且，所述图像进行大规模的图像变换的方法还指：就是把样本图像通过包括傅立叶变换(DFT，DiscreteFourierTransform)，离散余弦变本文档来自技高网...

【技术保护点】
1.一种由大规模特征集的图像识别的方法，其特点是：/n(1)对图像信息进行深度抽出；/n(2)对上述抽出的图像信息进行图像深度识别。/n

【技术特征摘要】
1.一种由大规模特征集的图像识别的方法，其特点是：
(1)对图像信息进行深度抽出；
(2)对上述抽出的图像信息进行图像深度识别。


2.权利要求1一种由大规模特征集的图像识别的方法，其特征在于：所述对图像信息进行深度抽出是指：对样本图像信息进行大规模图像分割的方法；或者针对至少一个分割图像通过图像变换的方法对图像信息进行深度抽出的方法。


3.权利要求1一种由大规模特征集的图像识别的方法，其特征在于：所述图像深度识别的方法是指：考虑被登录的大规模特征集对于识别结果的作用的方法，或者是考虑特征向量间的最小距离与特征向量的各个特征值的最大几率空间的尺度的累加值之间的比例值的方法，或者是考虑复数特征值的共同概率分布信息的方法，或者是考虑样本特征值处于被登录的特征值的概率分布的位置上的概率分布信息的方法，或者是考虑样本特征值处于被登录的复数特征值的共同概率分布，与被登录的特征值的概率分布的共同的位置上的概率分布信息的方法，或者是考虑样本特征向量与被登录的特征向量之间最大几率的概率信息的方法，或者是考虑对登录特征向量的特征值的概率分布进行分割的方法中至少一种深度图像识别的方法。


4.权利要求1与2一种由大规模特征集的图像识别的方法，其特征在于：所述图像进行大规模的图像变换的方法还指：就是把样本图像通过包括傅立...

【专利技术属性】
技术研发人员：顾泽苍，
申请(专利权)人：顾泽苍，
类型：发明
国别省市：天津;12