一种基于改进的PCA+SVC的人脸识别方法技术

本公开是关于一种基于改进的PCA+SVC的人脸识别方法、装置、电子设备以及存储介质。其中，该方法包括：将人脸图像信息输入人脸图像中心以二维灰度矩阵的形式读取图像，并转化为一维数据序列；将所述一维数据序列随机进行随机裁剪、颜色改变、水平翻转、竖直翻转、加入噪声、仿射变换处理，生成数据增强的一维数据序列；基于PCA法对所述一维数据序列或所述数据增强的一维数据序列进行数据特征提取，生成面部特征；分别基于高斯核函数、基于多项式核函数、基于Sigmoid核函数的SVC法对所述面部特征进行并行识别分类处理，并基于预设权重进行集中仲裁产生最终决策结果，完成人脸识别。本公开通过改进的PCA+SVC进行人脸识别，提高了人脸识别的精确度。脸识别的精确度。脸识别的精确度。

【技术实现步骤摘要】
一种基于改进的PCA+SVC的人脸识别方法


[0001]本公开涉及人脸识别领域，具体而言，涉及一种基于改进的PCA+SVC的人脸识别方法、装置、电子设备以及计算机可读存储介质。

技术介绍

[0002]人脸识别是一种生物识别技术，利用摄像机采集到的脸部信息流提取特征从而进行身份识别。作为生物特征识别领域中的重点研究项目，人脸识别已经深入到人们生产生活的方方面面，从移动端刷脸登录、便捷支付到智慧城市建设，其应用越来越广泛。从技术上看，在特定实验条件下，人脸识别达到了99％以上的准确率；在实际应用场景中，由于遮挡、光照强度等因素的干扰，准确率有所降低，但也可达到95％以上的准确率。
[0003]目前主流的人脸识别技术采用基于外观的人脸识别算法，将面部区域作为一个整体提取全局信息辨识人脸。又可以根据特征提取方式的不同细分为线性方法和非线性方法。对于线性方法，最著名的方法之一是Turk等人提出的“特征脸”，它使用主成分分析(PCA)将图像线性投影至训练集图像的低维空间，提取人脸的特征向量组成特征空间(特征脸)。对于一副图像，将其与提取到的特征空间进行比较来识别人脸，确定身份。Yang等人提出了二维主成分分析(2DPCA)，基于二维图像构造图像协方差矩阵提取特征向量。对于非线性方法，Kim等人提出了核主成分分析，采用多项式核通过非线性映射将人脸图像映射到特征空间，再使用多个线性支持向量机(SVM)用作人脸识别器，结合每个SVM输出进行仲裁以产生最终决策。随着计算机处理能力的提高，基于深度学习的人脸识别技术可以通过网络自动学习人脸面部特征，识别人脸。然而神经网络组成神经元数目众多，具有所需训练数据大、训练耗时长、难于收敛等缺点。
[0004]现有的人脸识别技术流程主要有以下几个步骤：
[0005](1).输入人脸图像：(a)以二维灰度矩阵的形式读取人脸图像；(b)一维化灰度矩阵，得到输入数据。
[0006](2).使用PCA方法进行面部特征提取：(a)计算输入数据均值向量；(b)将输入数据减去均值数据，以均值数据为中心对数据进行规格化处理；(c)计算并分解协方差矩阵，得到按特征值降序排序的特征向量；(d)取前k个特征向量得到特征脸，计算规格化后的数据在特征脸空间的投影，提取面部特征。
[0007](3).SVC识别分类：(a)选择核函数，将提取到的面部特征映射到高维空间；(b)使用网格搜索，获得最优惩罚系数等参数；(c)确定最优决策边界，得到人脸图像识别结果。
[0008](4).输出识别结果。
[0009]现有技术主要存在以下缺点：
[0010](1).数据中心化受极端值影响。在实际应用场景中，人脸图像采集容易受到遮挡、光照等强度的干扰，从而导致收集到的数据存在不一致、噪声、不完整(如重要属性缺失)等问题。使用PCA方法对数据进行一致性规约时，需要对数据集中的数据求均值向量，进行数据中心化。由于均值向量易受极端值影响，简单使用与均值向量相减的方法进行数据中心
化，会造成提取到的特征空间解释性降低，影响人脸识别准确率。
[0011](2).SVC依赖核函数选择。训练SVC识别人脸图像，核函数的选择影响SVC算法效果，所以需要根据采集到的人脸图像特征，尝试多种核函数，达到良好的人脸识别效果。
[0012](3)网格搜索计算效率低。网格搜索将待搜索参数范围根据拟定坐标系划分网格，形成参数组合。通过遍历参数组合找到全局最优解。这以产生大量不必要无效计算为代价。
[0013]因此，需要一种或多种方法解决上述问题。
[0014]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0015]本公开的目的在于提供一种基于改进的PCA+SVC的人脸识别方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
[0016]根据本公开的一个方面，提供一种基于改进的PCA+SVC的人脸识别方法，包括：
[0017]接收人脸图像信息，将所述人脸图像信息输入人脸图像中心以二维灰度矩阵的形式读取图像，以将所述人脸图像信息转化为一维数据序列，并将所述一维数据序列发送至数据增强模块或面部特征提取模块；
[0018]数据增强模块接收到一维数据序列后，将所述一维数据序列随机进行随机裁剪、颜色改变、水平翻转、竖直翻转、加入噪声、仿射变换处理，生成数据增强的一维数据序列，并将所述数据增强的一维数据序列发送至面部特征提取模块；
[0019]面部特征提取模块接收到所述一维数据序列或所述数据增强的一维数据序列后，基于PCA法对所述一维数据序列或所述数据增强的一维数据序列进行数据特征提取，生成面部特征，并将所述面部特征发送至识别分类模块；
[0020]所述识别分类模块接收到所述面部特征后，分别基于高斯核函数的SVC法、基于多项式核函数的SVC法、基于Sigmoid核函数的SVC法对所述面部特征进行并行识别分类处理，分别生成基于高斯核函数的SVC法分类结果、基于多项式核函数的SVC法分类结果、基于Sigmoid核函数的SVC法分类结果，并基于预设权重进行集中仲裁产生最终决策结果，完成人脸识别。
[0021]在本公开的一种示例性实施例中，所述方法还包括：
[0022]接收人脸图像信息，将所述人脸图像信息输入人脸图像中心以二维灰度矩阵的形式读取图像，以将所述人脸图像信息转化为一维数据序列，并将所述一维数据序列基于预设概率ρ发送至数据增强模块，将所述一维数据序列基于预设概率1
‑
ρ发送至面部特征提取模块；
[0023]数据增强模块接收到一维数据序列后，将所述一维数据序列随机进行随机裁剪、颜色改变、水平翻转、竖直翻转、加入噪声、仿射变换处理，生成数据增强的一维数据序列，并将所述数据增强的一维数据序列发送至面部特征提取模块；
[0024]面部特征提取模块接收到所述一维数据序列或所述数据增强的一维数据序列后，基于PCA法对所述一维数据序列或所述数据增强的一维数据序列进行数据特征提取，生成面部特征，并将所述面部特征发送至识别分类模块。
[0025]在本公开的一种示例性实施例中，所述方法还包括：
[0026]数据增强模块接收到大小为M
×
N的一维数据序列后，将所述大小为M
×
N一维数据序列随机进行随机裁剪，并重采样至大小为M
×
N的数据；
[0027]或随机进行通过改变所述数据的灰度值对所述数据进行颜色改变处理；
[0028]或随机进行分别对所述数据进行水平翻转、竖直翻转处理以实现对所述人脸图像的扩增；
[0029]或随机进行在所述数据中加入将经过高斯分布采样的随机值矩阵的噪声以增强分类学习效果；
[0030]或随机进行将所述数据完成二维坐标点到二维坐标点的线性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的PCA+SVC的人脸识别方法，其特征在于，所述方法包括：接收人脸图像信息，将所述人脸图像信息输入人脸图像中心以二维灰度矩阵的形式读取图像，以将所述人脸图像信息转化为一维数据序列，并将所述一维数据序列发送至数据增强模块或面部特征提取模块；数据增强模块接收到一维数据序列后，将所述一维数据序列随机进行随机裁剪、颜色改变、水平翻转、竖直翻转、加入噪声、仿射变换处理，生成数据增强的一维数据序列，并将所述数据增强的一维数据序列发送至面部特征提取模块；面部特征提取模块接收到所述一维数据序列或所述数据增强的一维数据序列后，基于PCA法对所述一维数据序列或所述数据增强的一维数据序列进行数据特征提取，生成面部特征，并将所述面部特征发送至识别分类模块；所述识别分类模块接收到所述面部特征后，分别基于高斯核函数的SVC法、基于多项式核函数的SVC法、基于Sigmoid核函数的SVC法对所述面部特征进行并行识别分类处理，分别生成基于高斯核函数的SVC法分类结果、基于多项式核函数的SVC法分类结果、基于Sigmoid核函数的SVC法分类结果，并基于预设权重进行集中仲裁产生最终决策结果，完成人脸识别。2.如权利要求1所述的方法，其特征在于，所述方法还包括：接收人脸图像信息，将所述人脸图像信息输入人脸图像中心以二维灰度矩阵的形式读取图像，以将所述人脸图像信息转化为一维数据序列，并将所述一维数据序列基于预设概率ρ发送至数据增强模块，将所述一维数据序列基于预设概率1
‑
ρ发送至面部特征提取模块；数据增强模块接收到一维数据序列后，将所述一维数据序列随机进行随机裁剪、颜色改变、水平翻转、竖直翻转、加入噪声、仿射变换处理，生成数据增强的一维数据序列，并将所述数据增强的一维数据序列发送至面部特征提取模块；面部特征提取模块接收到所述一维数据序列或所述数据增强的一维数据序列后，基于PCA法对所述一维数据序列或所述数据增强的一维数据序列进行数据特征提取，生成面部特征，并将所述面部特征发送至识别分类模块。3.如权利要求1所述的方法，其特征在于，所述方法还包括：数据增强模块接收到大小为M
×
N的一维数据序列后，将所述大小为M
×
N一维数据序列随机进行随机裁剪，并重采样至大小为M
×
N的数据；或随机进行通过改变所述数据的灰度值对所述数据进行颜色改变处理；或随机进行分别对所述数据进行水平翻转、竖直翻转处理以实现对所述人脸图像的扩增；或随机进行在所述数据中加入将经过高斯分布采样的随机值矩阵的噪声以增强分类学习效果；或随机进行将所述数据完成二维坐标点到二维坐标点的线性变换以完成仿射变换处理；生成数据增强的一维数据序列，并将所述数据增强的一维数据序列发送至面部特征提取模块。4.如权利要求1所述的方法，其特征在于，所述方法中基于PCA法对所述一维数据序列
或所述数据增强的一维数据序列进行数据特征提取，生成面部特征包括：基于所述一维数据序列或所述数据增强的一维数据序列的n个一维数据序列{t1，t2，...t
n
}的大小确定分组组段数量I，得到所述数据增强的统计直方图，t
i
为长度M
×
N的一维序列；对于像素点(1，j),统计n个样本每一组段的像素点个数，对于组段i,按照分配权重w
ij
,其中n
ij
为该组段像素点个数，n为输入样本的个数；根据得到加权均值向量其中X
ij
为组段i像素点的像素值之和；根据对输入数据进行中心化处理，得到{t1，t2，...t
n
}
new
，t
j
为第j个训练样本；对经过数据中心化处理的数据{t1，t2，...t
n
}
new
按照公式计算，得到协方差矩阵采用奇异值分解(SVD)，求解A
T
A所有的特征值{λ1，λ2，...λ
K
}及对应的特征向量{V1，V2，...V
K
}；按照特征值从大到小的顺序排序特征向量{V1，V2，...V
K
}，根据人脸识别精度要求选择前k个特征向量{V1，V2，...V
k
}，根据公式构成特征脸空间{e1，e2，...e
k
}；将经过数据中心化处理的数据{t1，t2，...t
n
}
new
与特征脸空间{e1，e2，...e
k
}相乘，得到降维之后的特征表示{t1，t2，...t
n
}
final
，并送入识别分类模块。5.如权利要求1所述的方法，其特征在于，所述方法中基于高斯核函数的SVC法还包括：S5.1.确定SVC的核函数惩罚系数、gamma值参数范围，所述惩罚系数范围为[0,1]；S5.2.基于确定参数的高斯核函数，将输入的特征表示{t1，t2，...t
n
}
final
及对应的类标签{t
′1，t
′1，...t
′
n
}进行空间映射，得到高维数据{k1，k2，...k
n
}及对应的类标签{k
′1，k
′2，...k
′
n
},通过最优化目标函数得到决策边界及分类结果，根据分类结果以十折交叉验证方式计算分类器精确度；S5.3.采用改进的网格搜索方法，根据指定的参数范围对参数取值排列组合，得到M个参数结果，将M个参数结果分为m组，每组个参数，对每个组采样k次重复步骤S5.2，计算平均精确度并降序排列取前t个组；对t个组采样2k次重复步骤S5.2计算平均精确度并降序排列取前个组,直到得到最优参数，并输出最终识别分类结果R
i
。6.如权利要求5所述的方法，其特征在于，所述方法中基于多项式核函数的SVC法还包括：S6.1.确定SVC的核函数k(x，x
′
)＝(...

【专利技术属性】
技术研发人员：李贝，
申请(专利权)人：厦门大学，
类型：发明
国别省市：