一种基于双字典学习的人脸识别方法、装置、芯片及终端制造方法及图纸

本发明专利技术实施例公开了一种基于双字典学习的人脸识别方法、装置、芯片及终端，通过低秩约束将训练图像分解为特定于类部分、非特定于类部分和噪声部分，并基于所述特定于类部分训练生成特定字典，基于所述非特定于类部分训练生成非特定字典，基于所述噪声部分训练生成误差矩阵，初始化所述特定字典和所述非特定字典，基于交替优化训练，获得学习完毕的第n+1非特定字典及其密集系数和误差矩阵和第k+1特定字典，基于所述平凡特征字典、所述关键特征字典以及基于所述平凡特征字典的误差矩阵构成所述双字典学习模型，使用改进的双字典学习模型处理待识别图像，在待识别图像被遮挡或腐蚀的情况下，也能提高识别准确率。也能提高识别准确率。也能提高识别准确率。

【技术实现步骤摘要】
一种基于双字典学习的人脸识别方法、装置、芯片及终端


[0001]本专利技术涉及人工智能
，特别是涉及一种基于双字典学习的人脸识别方法、装置、芯片及存储介质。

技术介绍

[0002]人脸识别，即识别图像中的人脸，根据人脸信息库获取人物的身份信息，进而对检测到的人脸进行脸部的一系列相关技术。在人脸识别领域中，通常使用深度学习实现人脸识别，但是当样本数量过少并且类别存在较大差异时，深度学习的效果便不尽人意，一旦样本存在污染，例如人脸被腐蚀、遮挡的情况下，现有的人脸识别方法准确率将严重下降。

技术实现思路

[0003]基于此，本专利技术提供一种基于双字典学习的人脸识别方法、装置、芯片及存储介质，通过改进的双字典学习模型，在待识别图像被遮挡或腐蚀的情况下，也能提高识别准确率。
[0004]第一方面，提供一种基于双字典学习的人脸识别方法，其特征在于，包括：
[0005]获取待识别图像；
[0006]将所述待识别图像输入双字典学习模型获取人脸信息；
[0007]所述双字典学习模型的训练包括：
[0008]通过低秩约束将训练图像分解为特定于类部分、非特定于类部分和噪声部分，并基于所述特定于类部分训练生成特定字典，基于所述非特定于类部分训练生成非特定字典，基于所述噪声部分训练生成误差矩阵；
[0009]初始化所述特定字典和所述非特定字典；
[0010]交替优化训练第n非特定字典，获得学习完毕的第n+1非特定字典及其密集系数和误差矩阵，n＝1,2,3...,N；通过所述第n+1非特定字典及其密集系数和误差矩阵，交替优化训练第k特定字典，获得第k+1特定字典，k＝1,2,3,...,K；
[0011]其中，n等于1时k等于1，第一非特定字典为初始化后的非特定字典，第一特定字典为初始化后的特定字典；第n非特定字典和第n特定字典中的原子分为特征矩阵和权重矩阵，所述特征矩阵包括特征子矩阵和权重子矩阵；交替优化训练第n非特定字典时，通过约束项选择密集系数；交替优化训练第k特定字典时，通过约束项选择稀疏系数；
[0012]当n和k达到预设数值时，将所述第n+1非特定字典作为平凡特征字典，对所述第k+1特定字典进行具有识别力的重建误差后获得关键特征字典；
[0013]所述平凡特征字典、所述关键特征字典以及基于所述平凡特征字典的误差矩阵构成所述双字典学习模型，基于所述平凡特征字典的误差矩阵用于将捕捉的类特征信息转移到所述关键特征字典中。
[0014]可选地，所述训练图像为已分类的人脸图像，将所有训练图像通过矩阵表示。
[0015]可选地，所述初始化所述特定字典和所述非特定字典，包括：
[0016]通过奇异值分解处理所述特定字典和所述非特定字典，并获取所述特定字典的奇异值分解结果中的最大奇异值，以所述最大奇异值表示所述特定字典；
[0017]所述非特定字典表示为所述训练图像与以最大奇异值表示的特定字典之差。
[0018]可选地，交替优化训练第n非特定字典时，以F范数作为约束项选择密集系数。
[0019]可选地，通过所述第n+1非特定字典及其密集系数和误差矩阵，交替优化训练第k特定字典之前，包括：
[0020]重置基于所述第n+1非特定字典的误差矩阵中的权重系数
[0021]可选地，对所述第k+1特定字典进行具有识别力的重建误差，包括：
[0022]对所述第k+1特定字典添加非相关类干扰约束和不相关性约束。
[0023]可选地，所述预设数值为2或者3。
[0024]第二方面，提供一种基于字典学习的人脸识别装置，包括：
[0025]图像获取模块，用于获取待识别图像；
[0026]人脸识别模块，用于将所述待识别图像输入双字典学习模型获取人脸信息；
[0027]其中，所述双字典学习模型的训练包括：
[0028]通过低秩约束将训练图像分解为特定于类部分、非特定于类部分和噪声部分，并基于所述特定于类部分训练生成特定字典，基于所述非特定于类部分训练生成非特定字典，基于所述噪声部分训练生成误差矩阵；
[0029]初始化所述特定字典和所述非特定字典；
[0030]交替优化训练第n非特定字典，获得学习完毕的第n+1非特定字典及其密集系数和误差矩阵，n＝1,2,3...,N；通过所述第n+1非特定字典及其密集系数和误差矩阵，交替优化训练第k特定字典，获得第k+1特定字典，k＝1,2,3,...,K；
[0031]其中，n等于1时k等于1，第一非特定字典为初始化后的非特定字典，第一特定字典为初始化后的特定字典；第n非特定字典和第n特定字典中的原子分为特征矩阵和权重矩阵，所述特征矩阵包括特征子矩阵和权重子矩阵；交替优化训练第n非特定字典时，通过约束项选择密集系数；交替优化训练第k特定字典时，通过约束项选择稀疏系数；
[0032]当n和k达到预设数值时，将所述第n+1非特定字典作为平凡特征字典，对所述第k+1特定字典进行具有识别力的重建误差后获得关键特征字典；
[0033]所述平凡特征字典、所述关键特征字典以及基于所述平凡特征字典的误差矩阵构成所述双字典学习模型，基于所述平凡特征字典的误差矩阵用于将捕捉的类特征信息转移到所述关键特征字典中。
[0034]第三方面，提供一种芯片，包括处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求1至7任一项所述的基于字典学习的人脸识别方法的各个步骤。
[0035]第四方面，提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现如上介绍的基于字典学习的人脸识别方法的各个步骤。
[0036]上述人脸识别方法、装置、芯片及存储介质，使用改进的双字典学习模型处理待识别图像，在待识别图像被遮挡或腐蚀的情况下，也能提高识别准确率。其中，双字典学习模型以基于稀疏编码的双字典字典模型重建还原待识别图像，即通过平凡特征字典和关键特
征字典两个字典联合表示待识别图像，实现稀疏密集混合表示，基于类间的独立性以及类内的依赖性，将关键特征字典限制为捕获类特定信息，将平凡特征字典限制为捕获非类特定信息，从而重建还原待识别图像时，平凡特征字典的密集特征和关键特征字典的稀疏特征共同参与分类结果的判断，使得还原图像与待识别图像中的类成员关系更加吻合，提高双字典学习模型的人脸识别准确率。并且，对于平凡特征字典和关键特征字典，放宽了关键特征字典的稀疏特征约束，同时通过基于平凡特征字典的误差矩阵用于将捕捉的类特征信息转移到关键特征字典中，使得双字典学习模型能够更充分的学习到类特征信息，因此，本专利技术实施例对于训练图像的正确性要求较低，训练图像并不限制为完全未污染的训练样本，进而待识别图像也可以为被遮挡或腐蚀的图像，并不影响本专利技术实施例提供的人脸识别方法的识别准确率。
附图说明
[0037]为了更清楚地说明本专利技术实施例中的技术方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双字典学习的人脸识别方法，其特征在于，包括：获取待识别图像；将所述待识别图像输入双字典学习模型获取人脸信息；所述双字典学习模型的训练包括：通过低秩约束将训练图像分解为特定于类部分、非特定于类部分和噪声部分，并基于所述特定于类部分训练生成特定字典，基于所述非特定于类部分训练生成非特定字典，基于所述噪声部分训练生成误差矩阵；初始化所述特定字典和所述非特定字典；交替优化训练第n非特定字典，获得学习完毕的第n+1非特定字典及其密集系数和误差矩阵，n＝1,2,3...,N；通过所述第n+1非特定字典及其密集系数和误差矩阵，交替优化训练第k特定字典，获得第k+1特定字典，k＝1,2,3,...,K；其中，n等于1时k等于1，第一非特定字典为初始化后的非特定字典，第一特定字典为初始化后的特定字典；第n非特定字典和第n特定字典中的原子分为特征矩阵和权重矩阵，所述特征矩阵包括特征子矩阵和权重子矩阵；交替优化训练第n非特定字典时，通过约束项选择密集系数；交替优化训练第k特定字典时，通过约束项选择稀疏系数；当n和k达到预设数值时，将所述第n+1非特定字典作为平凡特征字典，对所述第k+1特定字典进行具有识别力的重建误差后获得关键特征字典；所述平凡特征字典、所述关键特征字典以及基于所述平凡特征字典的误差矩阵构成所述双字典学习模型，基于所述平凡特征字典的误差矩阵用于将捕捉的类特征信息转移到所述关键特征字典中。2.如权利要求1所述的基于字典学习的人脸识别方法，其特征在于，所述训练图像为已分类的人脸图像，将所有训练图像通过矩阵表示，为：D＝[D1,D2,...,Di,...,DN]＝[d11,d12,...,d
i
j,...,d
n
k]；其中，DN表示具有相同人脸类型的训练图像，N表示所有训练图像中的人脸类型总数，d
i
表示训练图像中的一列，i表示d
i
列数据所属的人脸类型，j代表示d
i
列数据在所有的人脸类型为i的数据中的位置。3.如权利要求1所述的基于字典学习的人脸识别方法，其特征在于，所述初始化所述特定字典和所述非特定字典，包括：通过奇异值分解处理所述特定字典和所述非特定字典，并获取所述特定字典的奇异值分解结果中的最大奇异值，以所述最大奇异值表示所述特定字典；所述非特定字典表示为所述训练图像与以最大奇异值表示的特定字典之差。4.如权利要求1所述的基于字典学习的人脸识别方法，其特征在于，交替优化训练第n非特定字典时，以F范数作为约束项选择密集系数；所述通过所述第n+1非特定字典及其密集系数和误差矩阵，交替优化训练第k特定字典之前，包括：重置基于所述第n+1非特定字典的误差矩阵中的权重系数。5.如权利要求4所述的基于字典学习的人脸识别方法，其特征在于，所述非特定字典的交替优化训练过程包括：初始化参数：B＝J＝D
‑
A，e＝0，α＝I，x＝I，Y1＝0，Y2＝0，μ＝10
‑6，μ
max
＝106，ρ＝1.2，ε＝
10
‑4，后执行：步骤S111、固定其他参数，通过下述公式更新J：步骤S112、固定其它参数，通过下述公式更新B：步骤S113、固定其他参数，通过下述公式更新X：步骤S114、固定其他参数，通过如下的最小化公式更新e：步骤S115、通过下述公式更新拉格朗日乘子：Y1＝Y1+μ(D
‑
Aα
‑
B
x
‑
e)...

【专利技术属性】
技术研发人员：郭军，柯武生，翁国权，
申请(专利权)人：山东睿芯半导体科技有限公司，
类型：发明
国别省市：