一种人脸识别方法、终端及介质技术

本发明专利技术公开了一种人脸识别方法、终端及介质，包括：对人脸训练数据进行预处理得到输入数据矩阵；基于输入数据矩阵求解任意三角形结构2DPCA优化模型的最大化问题过程为：基于输入数据矩阵和投影矩阵计算获得对角矩阵的对角元素；由对角矩阵的对角元素确定加权协方差矩阵的权重系数，计算获得具有保护全局几何结构的加权协方差矩阵；由加权协方差矩阵前若干个最大特征值对应的特征向量组成投影矩阵；循环迭代求解最优投影矩阵；利用最优投影矩阵对人脸测试样本进行特征提取获得低维特征，利用低维特征进行人脸识别预测；本发明专利技术对噪声干扰进行有效抑制，确保更准确和可靠的识别结果，提高了人脸识别的鲁棒性。

【技术实现步骤摘要】

本专利技术属于人脸识别领域，具体涉及人脸识别方法、终端及介质。

技术介绍

1、人脸图像是重要的生物特征标识，可用于揭示个体的性别、年龄等信息。人脸识别在信息安全、访问控制、管理执法等方面有着许多的应用。使用经典算法的模式识别需要大量的计算资源，尤其是在处理大规模数据库中的高分辨率图像时。人脸识别从本质上来说其实是生物识别的一个重要课题。

2、在人脸识别的过程中，首要问题是特征提取。从原始人脸数据中提取出有效的表征特征，使所有样本包含的重要信息都能被清晰表达，是后续任务的关键。特征提取也被称为降维或子空间学习，随着数据数量和维数的增高，如何从大规模高维数据中提取有效的低维特征，并解决维数灾难问题受到越来越多的关注。在过去的几十年里发展迅速，取得了长足的进展。目前，采取鲁棒范数度量策略认为是有效提升二维子空间学习方法性能的重要技术手段，且大多数考虑在经典的二维主成分分析（two-dimensional principalcomponent analysis，简称2dpca）中率先进行应用。

3、但是现有技术在结构上无法同时满足最小化重构本文档来自技高网...

【技术保护点】

1.一种人脸识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的人脸识别方法，其特征在于，对人脸训练数据进行预处理得到输入数据矩阵，包括：

3.根据权利要求1所述的人脸识别方法，其特征在于，引入鲁棒范数构建具有鲁棒特性的任意三角形结构2DPCA优化模型，包括：

4.根据权利要求1所述的人脸识别方法，其特征在于，基于输入数据矩阵和投影矩阵计算获得对角矩阵的对角元素，包括：

5.根据权利要求4所述的人脸识别方法，其特征在于，计算获得具有保护全局几何结构的加权协方差矩阵，包括：

6.根据权利要求5所述的人脸识别方法，其特征在...

【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：

2.根据权利要求1所述的人脸识别方法，其特征在于，对人脸训练数据进行预处理得到输入数据矩阵，包括：

3.根据权利要求1所述的人脸识别方法，其特征在于，引入鲁棒范数构建具有鲁棒特性的任意三角形结构2dpca优化模型，包括：

4.根据权利要求1所述的人脸识别方法，其特征在于，基于输入数据矩阵和投影矩阵计算获得对角矩阵的对角元素，包括：

5.根据权利要求4所述的人脸识别方法，其特征在于，计算获得具有保护全局几何结构的加权协方差矩阵，包括：...

【专利技术属性】
技术研发人员：胡志远，毕鹏飞，陈璇，徐文杰，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：