【技术实现步骤摘要】
一种人脸识别方法及系统
[0001]本专利技术属于人脸识别领域,具体涉及一种人脸识别方法及系统。
技术介绍
[0002]人脸识别是模式识别
中最重要的应用之一。所谓人脸识别,就是利用计算机分析人脸视频或者图像,并从中提取出有效的个人识别信息、,最终判别出人脸对象的身份。
[0003]协同表示分类器(Collaborative Representation Classification,CRC)是一种高效高速的分类器,现已广泛应用于图像识别领域。CRC的基本思想是利用所有训练样本一起来协同表示该测试样本,进而得到协同表示编码。然后利用一个类编码选择子选择出和某一类训练样本相对应的类编码,最后用类编码计算各类的重构残差,重构残差最小的类标签即为该测试样本的类别。
[0004]CRC本质上是一种有监督学习方法,它的性能严重依赖于每类带标签训练样本的个数,当每类带标签的训练样本不够充分,CRC的识别性能将会显著地下降。
[0005]其次,CRC虽然具有很好的表示能力,但是对不同类别样本的鉴别能力较弱,为了增加模型的鲁棒性,使不同人的人脸图像尽量区分开来,需要增加CRC模型本身的鉴别能力。
技术实现思路
[0006]针对上述问题,本专利技术提出一种人脸识别方法及系统,将部分有标签数据的标签信息传递给不带标签的数据,从而扩充带标签训练样本的数量,进而提升CRC的性能;另外,利用获得的无标签人脸图像训练集的软标签信息加之已知的硬标签构造训练样本的类间、类内散度矩阵,运用线性鉴别分析(L ...
【技术保护点】
【技术特征摘要】
1.一种人脸识别方法,其特征在于,包括以下步骤:提取有标签人脸图像训练集的特征向量,获得第一特征向量集;提取无标签人脸图像训练集的特征向量,获得第二特征向量集;对所述第一特征向量集和第二特征向量集执行基于协同表示的标签传播算法,获得无标签人脸图像训练集的软标签信息;基于所述无标签人脸图像训练集的软标签信息和有标签人脸图像训练集的硬标签信息,计算出所有人脸图像训练集的类间散度和类内散度,然后执行线性鉴别分析算法,计算并保存鉴别投影矩阵;利用所述鉴别投影矩阵对待测人脸图像的特征向量、第一特征向量集和第二特征向量集进行降维,得到各自新的低维特征向量,将所述低维特征向量输入协同表示分类器,得到协同表示编码,利用对应于每一类的协同表示编码计算重构残差,重构残差最小的那一类标签即为待测样本标签,至此得到识别结果。2.根据权利要求1所述的一种人脸识别方法,其特征在于,所述对所述第一特征向量集和第二特征向量集执行基于协同表示的标签传播算法,获得无标签人脸图像训练集的软标签信息,包括以下步骤:对于第一特征向量集中的每一个特征向量x
i
,利用协同表示算法,用无标签样本对有标签样本进行重构,得到的协同表示系数向量α
i
,其计算过程可简化为其中α
ik
为用无标签人脸图像x
k
对有标签人脸图像x
i
重构所得到的协同表示系数,λ是人为设置的正则化参数,I为单位矩阵,X
n
为有标签人脸图像训练集,x
i
为其中的某个有标签人脸图像训练样本,X
u
为无标签人脸图像训练集,x
j
为其中的某个无标签人脸图像训练样本;将所述协同表示系数向量α
i
带入计算得到无标签人脸图像x
j
的软标签向量f
j
=[f
j1
,L,f
jq
,L,f
jc
],q∈{1,2,L,c},其中,f
jq
表示有标签人脸图像x
i
属于第q类的概率,其中l
i
是第i个样本的标签,q∈{1,L,c},i=1,L,n,j=n+1,L,n+u,c表示类别总数,最终得到无标签人脸图像训练集的软标签信息,即标签概率矩阵F
u
=[f
n+1
;L;f
j
;L;f
n+u
]∈R
u
×
c
,其中F
u
的第j行表示无标签人脸图像x
j
的软标签向量f
j
,F
u
的第j行q列元素为x
j
属于类别q的概率。3.根据权利要求1所述的一种人脸识别方法,其特征在于,所述人脸图像训练集的类间散度和类内散度的计算方法包括以下步骤:有标签人脸图像训练集的硬标签即为其标签概率矩阵,F
n
=[f1;L;f
i
;L;f
n
]∈R
n
×
c
,其中表示有标签人脸图像x
i
属于类别q的概率;将所有标签信息整合,得到总的标签概率矩阵为F=[F
n
;F
u
]∈R
(n+u)
×
c
;
计算所有人脸图像训练集的类内散度和类间散度:所述类内散度为所述类间散度为其中B∈R
(n+u)
×
(n+u)
为对角阵,对角元素为D∈R
c
×
c
也为对角阵,对角元素为X=...
【专利技术属性】
技术研发人员:蒋同,蔡勇鹏,蒋莉,
申请(专利权)人:苏州天可智能科技有限公司,
类型:发明
国别省市:
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。