本发明专利技术公开了一种基于图像识别的身份识别方法、装置及设备，属于图像识别领域，该方法包括：构建人像库，所述人像库包括至少一个人对应的人脸图像，每个所述人脸图像对应一个身份信息；从人像库中取出若干人脸图像作为训练人脸图像，构建人脸识别网络，对训练人脸图像进行降维，并采用降维后的训练人脸图像对人脸识别网络进行训练；获取待识别人脸图像，所述人像库中存在待识别人脸图像对应人的人脸图像；通过人脸识别网络对待识别人脸图像进行识别，得到人脸识别结果以及对应的身份信息。本发明专利技术可应用于小样本训练，并且加快了人脸识别网络的训练速度，使人脸识别的精准度更高，采用人脸识别结合身份信息，实现了身份识别。实现了身份识别。实现了身份识别。
【技术实现步骤摘要】
基于图像识别的身份识别方法、装置及设备
[0001]本专利技术属于图像识别领域，具体涉及一种基于图像识别的身份识别方法、装置及设备。
技术介绍
[0002]人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行识别的一系列相关技术，通常也叫做人像识别、面部识别。
[0003]在现有技术中，通常采集大量的人脸样本数据，通过人脸样本数据训练神经网络，并采用训练后的神经网络进行人脸识别，从而达到人脸识别的目的。但是，现有技术在小样本的情况下，神经网络的训练效果不佳，导致识别准确率降低，并且在训练过程中，收敛速度慢，训练时间久。
技术实现思路
[0004]针对现有技术中的上述不足，本专利技术提供的一种基于图像识别的身份识别方法、装置及设备解决了现有技术中存在的问题。
[0005]第一方面，本专利技术提供了一种基于图像识别的身份识别方法，包括：构建人像库，所述人像库包括至少一个人对应的人脸图像，每个所述人脸图像对应一个身份信息；从人像库中取出若干人脸图像作为训练人脸图像，构建人脸识别网络，对训练人脸图像进行降维，并采用降维后的训练人脸图像对人脸识别网络进行训练；获取待识别人脸图像，所述人像库中存在待识别人脸图像对应人的人脸图像；通过人脸识别网络对待识别人脸图像进行识别，得到人脸识别结果以及对应的身份信息；所述构建人脸识别网络，对训练人脸图像进行降维，并采用降维后的训练人脸图像对人脸识别网络进行训练，包括：采用BP神经网络作为人脸识别网络；对训练人脸图像进行预处理，得到预处理图像；对预处理图像进行降维处理，获取预处理图像的特征向量；设置特征向量对应的期望向量，并以特征向量和期望向量对人脸识别网络进行训练。
[0006]进一步地，所述对训练人脸图像进行预处理，包括：对训练人脸图像进行灰度化、倾斜校正、中值滤波和归一化操作。
[0007]进一步地，所述对预处理图像进行降维处理，获取预处理图像的特征向量，包括：构建预处理图像的协方差矩阵C，所述协方差矩阵C为：
其中，n=1,2,
…
,N，N表示预处理图像的总数，表示第n个预处理图像的向量，表示平均人脸向量，T表示转置符号；获取协方差矩阵C的特征向量和特征值，所述特征向量和特征值一一对应；将协方差矩阵C所有的特征值按从大到小的顺序排列，并取出前m个特征值，以取出的前m个特征值对应的m个特征向量组成特征空间U，所述特征空间，表示排序后第一个特征值对应的特征向量，表示排序后第二个特征值对应的特征向量，表示排序后第m个特征值对应的特征向量；获取预处理图像在特征空间U上的投影，并将投影作为预处理图像的特征向量，所述预处理图像的特征向量为：。
[0008]进一步地，所述设置特征向量对应的期望向量，并以特征向量和期望向量对人脸识别网络进行训练，包括：设置特征向量对应的期望向量；将特征向量作为人脸识别网络的输入向量，获取实际输出向量；根据实际输出向量和期望向量，获取误差值E；判断误差值E是否位于阈值范围内，若是，则人脸识别网络训练完成，否则对人脸识别网络中输入层与隐含层之间的权重、隐含层与输出层之间的权重和阈值进行更新，并重新获取实际输出向量。
[0009]进一步地，所述实际输出向量，期望向量；其中，k=1,2,
…
,M，M表示人脸识别网络输出层对应的神经元总数，表示输出层中第k个神经元的实际输出值，表示输出层中第k个神经元的期望输出值；所述误差值E为：
其中，e表示自然常数，表示陡度因子，j=1,2,
…
,L，L表示隐含层的神经元总数，表示中间系数，表示隐含层中第j个神经元与输出层中第k个神经元之间的权重；表示第n个特征向量输入人脸识别网络后，隐含层中第j个神经元的输出；表示输出层中第k个神经元对应的第一阈值。
[0010]进一步地，所述对人脸识别网络中输入层与隐含层之间的权重、隐含层与输出层之间的权重和阈值进行更新，包括：确定对人脸识别网络输入层与隐含层之间的权重、隐含层与输出层之间的权重和阈值的调整量，所述调整量为：其中，表示权重在第次训练的调整量，表示权重在第次训练的调整量，表示学习率，表示输出层中第k个神经元的输出误差项，表示输入层中第i个神经元与隐含层中第j个神经之间的权重，i=1,2,
…
,，表示输入层的神经元总数；表示第n个特征向量输入人脸识别网络后，输入层中第i个神经元的输出；表示权重在第次训练的调整量，表示权重在第次训练的调整量，表示隐含层中第j个神经元的输出误差项，表示输出层中第k个神经元对应的第一阈值，表示第一阈值在第次训练的调整量，表示第一阈值在第次训练的调整量，
表示隐含层中第j个神经元对应的第二阈值，表示第二阈值在第次训练的调整量，表示第二阈值在第次训练的调整量；根据调整量，对人脸识别网络中输入层与隐含层之间的权重、隐含层与输出层之间的权重和阈值进行更新。
[0011]进一步地，所述陡度因子为：所述第n个特征向量输入人脸识别网络后，隐含层中第j个神经元的输出为：其中，表示激励函数；所述输出层的输出误差项为：所述隐含层的输出误差项为：。
[0012]第二方面，本专利技术提供了一种基于图像识别的身份识别装置，用于实现第一方面所述的身份识别方法，该身份识别装置包括构建模块、训练模块、获取模块以及识别模块；所述构建模块用于构建人像库，所述人像库包括至少一个人对应的人脸图像，每个所述人脸图像对应一个身份信息；所述训练模块用于从人像库中取出若干人脸图像作为训练人脸图像，构建人脸识别网络，对训练人脸图像进行降维，并采用降维后的训练人脸图像对人脸识别网络进行训练；所述获取模块用于获取待识别人脸图像，所述人像库中存在待识别人脸图像对应人的人脸图像；所述识别模块用于通过人脸识别网络对待识别人脸图像进行识别，得到人脸识别结果以及对应的身份信息。
[0013]第三方面，本专利技术提供了一种基于图像识别的身份识别设备，包括处理器和存储器；所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如第一方面所述的身份识别方法。
[0014]本专利技术的有益效果为：（1）本专利技术提供了一种基于图像识别的身份识别方法、装置及设备，可以对人脸进行识别，从而进行身份识别。
[0015]（2）本专利技术在确定权重和阈值的调整量时，引入了动量项，减小了训练过程中的震荡趋势，提高了人脸识别网络的训练速度。
[0016]（3）本专利技术在误差值的计算中，引入了陡度因子，加快了收敛速度。
[0017]（4）本专利技术通过对训练人脸图像进行降维，解决了小样本训练时，产生的非满秩的问题，使人脸识别网络的训练效果更好。
附图说明
[0018]图1为本申请实施例提供的一种基于图像识别的身份识别方法的流程图。
[0019]图2为本申请实施例提供的一种基于图像识别的身份识别装置的结构示意图。
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于图像识别的身份识别方法，其特征在于，包括：构建人像库，所述人像库包括至少一个人对应的人脸图像，每个所述人脸图像对应一个身份信息；从人像库中取出若干人脸图像作为训练人脸图像，构建人脸识别网络，对训练人脸图像进行降维，并采用降维后的训练人脸图像对人脸识别网络进行训练；获取待识别人脸图像，所述人像库中存在待识别人脸图像对应人的人脸图像；通过人脸识别网络对待识别人脸图像进行识别，得到人脸识别结果以及对应的身份信息；所述构建人脸识别网络，对训练人脸图像进行降维，并采用降维后的训练人脸图像对人脸识别网络进行训练，包括：采用BP神经网络作为人脸识别网络；对训练人脸图像进行预处理，得到预处理图像；对预处理图像进行降维处理，获取预处理图像的特征向量；设置特征向量对应的期望向量，并以特征向量和期望向量对人脸识别网络进行训练。2.根据权利要求1所述的基于图像识别的身份识别方法，其特征在于，所述对训练人脸图像进行预处理，包括：对训练人脸图像进行灰度化、倾斜校正、中值滤波和归一化操作。3.根据权利要求1所述的基于图像识别的身份识别方法，其特征在于，所述对预处理图像进行降维处理，获取预处理图像的特征向量，包括：构建预处理图像的协方差矩阵C，所述协方差矩阵C为：其中，n=1,2,
…
,N，N表示预处理图像的总数，表示第n个预处理图像的向量，表示平均人脸向量，T表示转置符号；获取协方差矩阵C的特征向量和特征值，所述特征向量和特征值一一对应；将协方差矩阵C所有的特征值按从大到小的顺序排列，并取出前m个特征值，以取出的前m个特征值对应的m个特征向量组成特征空间U，所述特征空间，表示排序后第一个特征值对应的特征向量，表示排序后第二个特征值对应的特征向量，表示排序后第m个特征值对应的特征向量；获取预处理图像在特征空间U上的投影，并将投影作为预处理图像的特征向量，所述预处理图像的特征向量为：。4.根据权利要求3所述的基于图像识别的身份识别方法，其特征在于，所述设置特征向
量对应的期望向量，并以特征向量和期望向量对人脸识别网络进行训练，包括：设置特征向量对应的期望向量；将特征向量作为人脸识别网络的输入向量，获取实际输出向量；根据实际输出向量和期望向量，获取误差值E；判断误差值E是否位于阈值范围内，若是，则人脸识别网络训练完成，否则对人脸识别网络中输入层与隐含层之间的权重、隐含层与输出层之间的权重和阈值进行更新，并重新获取实际输出向量。5.根据权利要求4所述的基于图像识别的身份识别方法，其特征在于，所述实际输出向量，期望向量；其中，k=1,2,
…
,M，M表示人脸识别网络输出层对应的神经元总数，表示输出层中第k个神经元的实际输出值，表示输出层中第k个神经元...
【专利技术属性】
技术研发人员：杨斌，张胜田，
申请(专利权)人：广东东软学院，
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。