法律状态公告日
法律状态信息
法律状态
2022-04-05
专利权质押合同登记的注销 IPC(主分类):G06K 9/00 授权公告日:20190604 申请日:20160729 专利号:ZL2016106243152 登记号:Y2021980015152 出质人:鲁东大学 质权人:烟台融资担保集团有限公司 解除日:20220317
专利权质押合同登记的生效、变更及注销
2019-06-04
授权
授权
2017-05-17
实质审查的生效 IPC(主分类):G06K9/00 申请日:20160729
实质审查的生效
2017-01-04
公开
公开
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于匹配追踪算法的人脸识别方法及装置。
背景技术
现在家中的防盗门都采取人脸识别技术,目前大量的人脸识别算法都集中在如何有效地提取人脸图像特征上,因此,特征提取成为人脸识别研究中的一个热点,特征选取的数量和好坏直接影响到识别效果,成为人脸识别中一个至关重要的问题。压缩感知理论的出现和发展,给人脸识别带来了新的启发:如果能够在某个基下对人脸图像进行稀疏表示,那么特征选取将不再是一个难点,大量的特征值将成为算法中可利用的优点。
在人脸识别的实际应用中,利用实验样本构建冗余字典,将待检测样本表示成试验样本的线性组合。通过在不同人脸库上的实验证明了该算法的有效性。
现有的人脸识别方法如利用稀疏度自适应匹配追踪算法进行人脸识别,该方法的识别率相差不大,且在重构时,迭代次数和计算量都非常大。此外,还容易受光照影响,其识别效率不高。
发明内容
基于上述问题,本发明提供的基于匹配追踪算法的人脸识别方法及装置,通过增量梯度上升法进行原子的筛选,加速运算速度。
为解决上述问题,本发明提供了一种基于匹配追踪算法的人脸识别方法,包括:
S1、将预先建立的字典矩阵的所有列归一化到单位的L1范数;
S2、对待检测图像进行特征提取,并建立待检测图像模型
其中,I为单位矩阵,为所述待检测图像的特征的系数表达矢量,A为字典矩阵,x0为稀疏系数,e0为误差向量,B=[A,I]∈RM*(M+N),M为所述待检测图像模型的矩阵行数,N为所述待检测图像模型的矩阵列数;
S3、使用KRSAMP方法求解所述待检测图像模型的
S4、根据所述的值计算所述待检测图像与所述字典矩阵的样本之间的残差ri(y),
S5、找出与所述残差最小值对应的类别作为所述待检测图像的类别。
其中,所述步骤S3具体包括:
S31、设定参量,所述参量包括:残差余量r0,从所述字典矩阵中预先选择的支撑集Λt,迭代次数t;步长step;并将所述待检测图像模型变换成传感矩阵;
S32、对所述参量初始化,其中,残差余量r0=y,支撑集Λ0=φ,迭代次数t=l;
S33、从所述传感矩阵中查找与所述残差余量r0最大的L个原子的索引,并将查找的L个原子的索引加入到预设的索引集IK中;
S34、从所述传感矩阵中选择候选集Ck,并令所述候选集Ck=Λt-1∪Ik,所述Ik为单位矩阵;
S35、通过增量梯度上升法计算公式将计算得到的值最大的L个原子的索引加入到所述支撑集Λt中,得到第二支撑集Λ;
S36、计算残差余量
S37、若||rnew||≤ε,则停止迭代,得到所述的解;否则执行部长S38,所述ε为预设的残差余量阈值;
S38、如果||rnew||2≤||rt-1||2则更新所述步长step和所述支撑集L的大小,令L=L+S;否则更新支撑集和残差余量,令Λt=Λ,rt=rnew,t=t+l,执行步骤S33,其中,所述rt-1为上一次计算得到的残差余量。
其中,所述步骤S1之前还包括:
S01、根据预设的分类训练集形成所述字典矩阵。
其中,所述步骤S2之后,步骤S3之前,还包括:
S23、将所述误差向量e0在正交基Ae∈RM×N表达,所述待检测图像模型为:
其中,所述步骤S23之后,步骤S3之前,还包括:
S24、将待检测图像模型的的求解公式变换为::
根据本发明的另一个方面,提供一种基于匹配追踪算法的人脸识别装置,包括:
归一化单元,用于将预先建立的字典矩阵的所有列归一化到单位的L1范数;
模型建立单元,用于对待检测图像进行特征提取,并建立待检测图像模型
其中,I为单位矩阵,为所述待检测图像的特征的系数表达矢量,A为字典矩阵,x0为稀疏系数,e0为误差向量,B=[A,I]∈RM*(M+N),M为所述待检测图像模型的矩阵行数,N为所述待检测图像模型的矩阵列数;
计算单元,用于求解所述待检测图像模型的
比较单元,用于根据所述的值计算所述待检测图像与所述字典矩阵的样本之间的残差ri(y),
解析单元,用于找出与所述残差最小值对应的类别作为所述待检测图像的类别。
其中,所述计算单元具体包括:
参量设定子单元,用于设定参量,所述参量包括:残差余量r0,从所述字典矩阵中预先选择的支撑集Λt,迭代次数t;步长step;并将所述待检测图像模型变换成传感矩阵;
初始化子单元,用于对所述参量初始化,其中,残差余量r0=y,支撑集Λ0=φ,迭代次数t=l;
索引集建立子单元,用于从所述传感矩阵中查找与所述残差余量r0最大的L个原子的索引,并将查找的L个原子的索引加入到预设的索引集IK中;
候选集建立子单元,用于从所述传感矩阵中选择候选集Ck,并令所述候选集Ck=Λt-1∪Ik;
计算子单元,用于通过增量梯度上升法计算公式将计算得到的值最大的L个原子的索引加入到所述支撑集Λt中,得到第二支撑集Λ;
残差余量计算子单元,用于计算残差余量
第一判断子单元,用于将所述残差余量计算子单元计算的残差余量与预设的残差余量阈值ε进行比较,若||rnew||≤ε,则将所述计算子单元计算得到的作为本次计算单元计算得到的解;
第二判断子单元,用于当所述第一比较子单元判断||rnew||>ε时,判断||rnew||2与||rt-1||2的值,所述rt-1为上一次计算得到的残差余量;
更新子单元,用于当所述第二判断子单元判断||rnew||2≤||rt-1||2时,更新所述步长step和所述支撑集L的大小,令L=L+S;用于当所述第二判断子单元判断||rnew||2>||rt-1||2时,更新支撑集和残差余量,令Λt=Λ,rt=rnew,t=t+l,,并将更新的数据传输到所述索引集建立子单元。
其中,所述装置还包括:
字典矩阵形成单元,用于根据预设的分类训练集形成所述字典矩阵。
本发明所述的基于匹配追踪算法的人脸识别方法及装置,将匹配追踪算法应用到人脸识别方法中,并通过对匹配追踪算法的改进,通过增量梯度上升法进行原子的筛选,加速运算速度。
附图说明
图1示出了本发明的基于匹配追踪算法的人脸识别方法的流程图。
图2示出了本发明的基于匹配追踪算法的人脸识别装置的结构框图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在实际应用当中,往往是存在噪声或者在人脸图像当中出现了遮挡的现象,考虑该情况,建立模型做为:
y=y0+e0=Ax0+e0>
其中e0∈RM是一个误差向量,RM是误差矩阵,其维数与Ax0一致,y0代表的是噪声或遮挡不存在的情况下人脸图像,x0表稀疏系数。
在人脸图像中噪声和遮挡只是一小部分,因此,可以认为e0中非零元素也只是一小部分,设非零元素所占的比例为P,即在一张图像中噪声或是遮挡部分所占的比例。由于遮挡的部分的位置随着测试图像的不同而变化着,幅度变化也是随机的,而且这种变化通常是不可以被忽略的。因此,即使这部分的元素遭到严重破坏,我们也可以通过其他元素的信息来进行分类。
因此上式可以写成
其中,I为单位矩阵。B=[A,I]∈RM*(M+N),因此,方程y=Bw0一定是欠定方程,的解不唯一,因此,此时可以适当地放宽对图像低釆样的限制。式(1-2)中的稀疏表达矢量在理想情况下,最多有ni+pM个非零元素,因此我们希望从方程中求解出并将其作为最稀疏解。实际上,如果矩阵B是一般的矩阵,只要方程中中的非零元素少于M/2,那么就是唯一的稀疏解。因此,如果遮挡的部分e覆盖的面积小于像素,即小于图像的50%,那么方程就能够解得最稀疏解
我们假设污染噪声e0在某个正交基Ae∈RM×N下可以进行最稀疏表达。例如傅里叶或哈尔变换基,都可以满足e0的稀疏表达。
因此式(1-2)变为:
同理,对于的求解,可以通过L1范数的最优化问题来求解:
对于式(1-4)的求解可以通过KRSAMP算法来实现。
在SRC方法中需要通过L1范数的优化来求解稀疏系数,若测试样本个数为N,每幅图像的大小为M,那么式(1-4)的计算复杂度很高,因此,当M很大时,计算机的复杂度会随之提高。而同等情况下KRSAMP的计算复杂度为0(KMN)(K为稀疏度),小于L1范数最优化方法,因此在使用KRSAMP方法代替传统的L1范数优化方法,我们简称这样的方法为KRSAMP。
以下通过具体实施例详细说明本发明的基于匹配追踪算法的人脸识别方法。
图1示出了本发明的基于匹配追踪算法的人脸识别方法的流程图。
参照图1,本发明的基于匹配追踪算法的人脸识别方法,具体包括:
S1、将预先建立的字典矩阵的所有列归一化到单位的L1范数;
S2、对待检测图像进行特征提取,并建立待检测图像模型
其中,I为单位矩阵,为所述待检测图像的特征的系数表达矢量,A为字典矩阵,x0为稀疏系数,e0为误差向量,B=[A,I]∈RM*(M+N),M为所述待检测图像模型的矩阵行数,N为所述待检测图像模型的矩阵列数;
在进一步的实施例中,可以将所述误差向量e0在正交基Ae∈RM×N表达,则所述待检测图像模型为:
此外,为了求解将待检测图像模型的的求解公式变换为::
S3、使用KRSAMP方法求解所述待检测图像模型的
在一个实施例中,上述步骤S3具体包括:
S31、设定参量,所述参量包括:残差余量r0,从所述字典矩阵中预先选择的支撑集Λt,迭代次数t;步长step;并将所述待检测图像模型变换成传感矩阵;
S32、对所述参量初始化,其中,残差余量r0=y,支撑集Λ0=φ,迭代次数t=l,其中,φ为空集;
S33、从所述传感矩阵中查找与所述残差余量r0最大的L个原子的索引,并将查找的L个原子的索引加入到预设的索引集IK中;
S34、从所述传感矩阵中选择候选集Ck,并令所述候选集Ck=Λt-1∪Ik,所述Ik为单位矩阵;
S35、通过增量梯度上升法计算公式将计算得到的值最大的L个原子的索引加入到所述支撑集Λt中,得到第二支撑集Λ;
S36、计算残差余量
S37、若||rnew||≤ε,则停止迭代,得到所述的解;否则执行部长S38,所述ε为预设的残差余量阈值;
S38、如果||rnew||2≤||rt-1||2则更新所述步长step和所述支撑集L的大小,令L=L+S;否则更新支撑集和残差余量,令Λt=Λ,rt=rnew,t=t+l,执行步骤S33,其中,所述rt-1为上一次计算得到的残差余量。
S4、根据所述的值计算所述待检测图像与所述字典矩阵的样本之间的残差ri(y),
S5、找出与所述残差最小值对应的类别作为所述待检测图像的类别。
在本发明的另一个实施例中,步骤S1之前还包括:
S01、根据预设的分类训练集形成所述字典矩阵。
本发明的实施例的字典矩阵的建立过程与现有的稀疏度匹配算法中的字典建立方法相同,在此不再详述。
在本发明的另一个实施例中,提供一种基于匹配追踪算法的人脸识别装置。
图2示出了本发明的基于匹配追踪算法的人脸识别装置的结构框图。
如图2所示,本发明的实施例的基于匹配追踪算法的人脸识别装置,具体包括:
归一化单元10,用于将预先建立的字典矩阵的所有列归一化到单位的L1范数;
模型建立单元20,用于对待检测图像进行特征提取,并建立待检测图像模型
其中,I为单位矩阵,为所述待检测图像的特征的系数表达矢量,A为字典矩阵,x0为稀疏系数,e0为误差向量,B=[A,I]∈RM*(M+N),M为所述待检测图像模型的矩阵行数,N为所述待检测图像模型的矩阵列数;
计算单元30,用于求解所述待检测图像模型的
比较单元40,用于根据所述的值计算所述待检测图像与所述字典矩阵的样本之间的残差ri(y),
解析单元50,用于找出与所述残差最小值对应的类别作为所述待检测图像的类别。
在一个实施例中,上述计算单元30具体包括:
参量设定子单元,用于设定参量,所述参量包括:残差余量r0,从所述字典矩阵中预先选择的支撑集Λt,迭代次数t;步长step;并将所述待检测图像模型变换成传感矩阵;
初始化子单元,用于对所述参量初始化,其中,残差余量r0=y,支撑集Λ0=φ,迭代次数t=l;
索引集建立子单元,用于从所述传感矩阵中查找与所述残差余量r0最大的L个原子的索引,并将查找的L个原子的索引加入到预设的索引集IK中;
候选集建立子单元,用于从所述传感矩阵中选择候选集Ck,并令所述候选集Ck=Λt-1∪Ik;
计算子单元,用于通过增量梯度上升法计算公式将计算得到的值最大的L个原子的索引加入到所述支撑集Λt中,得到第二支撑集Λ;
残差余量计算子单元,用于计算残差余量
第一判断子单元,用于将所述残差余量计算子单元计算的残差余量与预设的残差余量阈值ε进行比较,若||rnew||≤ε,则将所述计算子单元计算得到的作为本次计算单元计算得到的解;
第二判断子单元,用于当所述第一比较子单元判断||rnew||>ε时,判断||rnew||2与||rt-1||2的值,所述rt-1为上一次计算得到的残差余量;
更新子单元,用于当所述第二判断子单元判断||rnew||2≤||rt-1||2时,更新所述步长step和所述支撑集L的大小,令L=L+S;用于当所述第二判断子单元判断||rnew||2>||rt-1||2时,更新支撑集和残差余量,令Λt=Λ,rt=rnew,t=t+l,,并将更新的数据传输到所述索引集建立子单元。
在进一步的实施例中,本发明的装置还包括:
字典矩阵形成单元,用于根据预设的分类训练集形成所述字典矩阵。
本发明所述的基于匹配追踪算法的人脸识别方法及装置,将匹配追踪算法应用到人脸识别方法中,并通过对匹配追踪算法的改进,通过增量梯度上升法进行原子的筛选,加速运算速度。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
机译: 基于模板匹配算法的人脸识别中的鲁棒人脸识别方法
机译: 基于SIFT算法的人脸识别关键点匹配系统及方法
机译: DCFNN一种基于动态补偿模糊神经网络算法的人脸识别混合方法