【技术实现步骤摘要】
基于超矩形的人脸识别方法、装置及存储介质
[0001]本专利技术属于模式识别
,更具体地说,涉及一种基于超矩形的人脸识别方法、装置及存储介质。
技术介绍
[0002]人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题,它被广泛应用于消费娱乐,轨迹追踪,司法鉴定、金融安全、场所监控等方面。一般来说,人脸识别主要是指在数字图像或视频图像中,通过人体面部视觉信息,进行人类身份鉴别的计算机技术。
[0003]人脸识别的方法有很多。在所有算法中,基于深度学习的人脸识别算法能够取得较好的识别效果。但是该类算法中的深度学习模型比较复杂,运算量大,并不适合所有场合。在运算能力受限的计算环境,如移动计算领域、嵌入式领域等,难于承受复杂模型的计算。另外,目前性能较好的人脸识别方法的可解释性都比较弱,这在一定程度上妨碍了人脸识别技术应用到司法鉴定、金融安全等对方法可解释性要求高的场合。因此,亟需设计一种能够解决上述问题的人脸识别方法。
技术实现思路
[0004]本专利技术的目的在于针对现有技术的不足,提供了一种基于超矩形的人脸识别方法、装置及存储介质。本专利技术方法模型训练过程简单、收敛速度快、具有接近线性的时间和空间复杂度,非常适合运算能力受限的计算环境,而且方法的建模过程、建模结果、模型使用的物理意义明确、容易理解,具有很强的可解释性。
[0005]本专利技术的目的是通过以下技术方案实现的:
[0006]根据本说明书的第一方面,提供一种基于超矩形的人脸识别方法,该方法包括训练阶段 ...
【技术保护点】
【技术特征摘要】
1.一种基于超矩形的人脸识别方法,其特征在于,该方法包括训练阶段和识别阶段;所述训练阶段,根据已知类别的人脸图像样本进行建模,生成对待识别人脸图像样本进行类别判断的超矩形分类器,具体为:对已知类别的人脸图像进行归一化处理;每个类别独立进行训练,生成预设m个超矩形,每个类别训练过程为:将每个类别的人脸图像通过K
‑
means聚类算法分成m组数据;每个数据组独立进行训练,生成1个超矩形:针对该数据组确定一个正交单位向量组,计算该数据组的均值点,过所述均值点以正交单位向量组中的向量为方向,生成一个正交直线组,该组直线称为棱方向直线,超矩形的各棱平行于其中一条棱方向直线,将该数据组的所有数据点投影到超矩形的各条棱方向直线上,在所述均值点的两侧,将投影点与所述均值点的距离的最大值作为超矩形在该棱方向直线上的两段宽度,该宽度即是所有与该棱方向直线平行的棱的宽度,从而得到该数据组对应的超矩形;所述识别阶段,将待识别人脸图像样本进行归一化处理后输入训练好的超矩形分类器,判断该待识别人脸图像样本的所属类别。2.根据权利要求1所述的一种基于超矩形的人脸识别方法,其特征在于,所述每个数据组独立进行训练,生成1个超矩形,具体为:(1)利用非线性迭代偏最小二乘法,针对数据组D确定一个正交单位向量组{v1,v2,
…
,v
n
},其中n小于等于图像数据维度;(2)过所述数据组D的数据均值点p,以正交单位向量组{v1,v2,
…
,v
n
}中的向量为方向,生成一个正交直线组{l1,l2,
…
,l
n
},该组直线称为棱方向直线,超矩形的各棱平行于其中一条棱方向直线,该正交直线组的方程为:l
g
:y=tv
g
+p,1≤g≤n其中,t是变数,为一标量,y为参变数;(3)将所述数据组D的所有数据点投影到超矩形的各条棱方向直线l
g
,1≤g≤n上,在所述均值点p的两侧,将投影点与所述均值点p的距离的最大值作为超矩形在v
g
方向上的两段宽度,一个记为负值,一个记为正值,由此获得两组宽度值和所用公式为:LEN
g
(x)=norm(PRJ
g
(x)
‑
p)SIGN
g
(x)=cos(PRJ
g
(x)
‑
p,v
g
))其中,x∈D为数据组D中的元素即人脸图像,T为转置,PRJ
g
...
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。