CN110543833B - 基于数据降维的人脸识别方法、装置、设备及存储介质 - Google Patents
基于数据降维的人脸识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110543833B CN110543833B CN201910753753.2A CN201910753753A CN110543833B CN 110543833 B CN110543833 B CN 110543833B CN 201910753753 A CN201910753753 A CN 201910753753A CN 110543833 B CN110543833 B CN 110543833B
- Authority
- CN
- China
- Prior art keywords
- data
- function
- matrix
- dimension reduction
- face recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于数据降维的人脸识别方法、装置、设备及存储介质,通过将样本数据中第一人脸数据作为待降维数据,并获取待降维数据中的对象标签,根据对象标签对所述待降维数据进行分类,得待处理数据;获取各对象标签对应的各对象的特征值及对象数量,计算待处理数据中各组数据的组内均值及组内协方差;利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵;利用预设函数对样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵;提取第二人脸数据的人脸特征数据,并将人脸特征数据进行数据降维得到特征矩阵;将特征矩阵与所述目标矩阵进行匹配。本发明提高了人脸识别的效率。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种基于数据降维的人脸识别方法、装置、设备及存储介质。
背景技术
人脸识别研究是当前模式识别和人工智能领域的研究热点,具有广阔的应用前景,在进行人脸识别时,为提高识别准确性,通常要对人脸数据进行数据降维,数据降维是指将高维空间中的数据降低到低维的空间中,以消除原有的数据冗余性,提高数据的后续处理能力。目前,传统数据降维主要是应用线性法,主分量分析和线性判定分析是目前应用最为广泛的两种线性降维方法,但是,这些数据降维方法计算过程复杂,计算量大,造成数据处理过程中处理效率低,从而导致人脸识别效率低。
发明内容
本发明的主要目的在于提供一种基于数据降维的人脸识别方法、装置、设备及存储介质,旨在解决目前人脸识别效率低的技术问题。
为实现上述目的,本发明提供一种基于数据降维的人脸识别方法,所述基于数据降维的人脸识别方法包括以下步骤:
采集样本数据中的第一人脸数据,将所述第一人脸数据作为待降维数据,并获取所述待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据;
获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差;
基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵;
利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维;
采集用户的第二人脸数据,提取所述第二人脸数据的人脸特征数据,并将所述人脸特征数据进行数据降维得到特征矩阵;
将所述特征矩阵与所述目标矩阵进行匹配,若匹配成功,则人脸识别通过。
可选地,所述将处理后的预设函数进行转换,并通过迭代求解转换后的函数的步骤包括:
获取处理后的预设函数中第一待求解参数的正交基向量,基于所述正交基向量建立所述第一待求解参数与预设的第二待求解参数的转换关系;
基于所述转换关系将处理后的预设函数转换为第一函数,通过迭代计算求解所述第一函数。
可选地,所述通过迭代计算求解所述第一函数的步骤包括:
利用交替方向乘子法添加决策变量将所述第一函数转换为第二函数;
对所述第二函数进行最小化处理,并按照预设转换公式将最小化处理后的第二函数进行转换,得到第三函数;
利用增广拉格朗日乘子法将所述第三函数进行转换,得到所述第三函数对应的增广拉格朗日函数,求解所述增广拉格朗日函数中所述第二待求解参数,并基于所述转换关系求解所述第一待求解参数。
可选地,所述求解所述增广拉格朗日函数中所述第二待求解参数,并基于所述转换关系求解所述第一待求解参数的步骤包括:
取所述增广拉格朗日函数第t次迭代计算得到的解为(xt,yt,zt),其中,所述增广拉格朗日函数t次迭代计算得到的所有解构成矩阵空间;
分别计算在矩阵空间中x方向和y方向使所述增广拉格朗日函数的函数值最小的解为(xt+1,yt+1),并通过预设的公式计算得到zt+1,以得到t+1步解的函数式;
求解所述函数式,并利用第二预设公式计算所述第二待求解参数x,基于所述转换关系求解所述第一待求解参数ω。
可选地,所述第二预设公式为:
其中,x为第二待求解参数,ω为第一待求解参数,v为第一中间量,vT为v的倒置矩阵,b为第二中间量,β为常量,N为ω的正交基向量,NT为N的倒置矩阵,R为所述均值矩阵,RT为R的倒置矩阵,b=βDNxt+zt,D为预设的正交矩阵;
利用平方根法对I-RNNTRT进行矩阵分解得到v;
利用所述第二预设公式求解所述第二待求解参数x,根据转换关系ω=DNx求解所述第一待求解参数ω。
此外,为实现上述目的,本发明还提供一种基于数据降维的人脸识别装置,所述基于数据降维的人脸识别装置包括:
分类模块:用于采集样本数据中的第一人脸数据,将所述第一人脸数据作为待降维数据,并获取所述待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据;
获取模块:用于获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差;
计算模块:用于基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵;
数据处理模块:用于利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维;
采集模块,用于采集用户的第二人脸数据,提取所述第二人脸数据的人脸特征数据,并将所述人脸特征数据进行数据降维得到特征矩阵;
匹配模块,用于将所述特征矩阵与所述目标矩阵进行匹配,若匹配成功,则人脸识别通过。
此外,为实现上述目的,本发明还提供一种基于数据降维的人脸识别设备,所述基于数据降维的人脸识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于数据降维的人脸识别程序,其中所述基于数据降维的人脸识别程序被所述处理器执行时,实现如上述的基于数据降维的人脸识别方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有基于数据降维的人脸识别程序,其中所述基于数据降维的人脸识别程序被处理器执行时,实现如上述的基于数据降维的人脸识别方法的步骤。
本发明提供一种基于数据降维的人脸识别方法、装置、设备及存储介质,本发明通过采集样本数据中的第一人脸数据,将所述第一人脸数据作为待降维数据,并获取所述待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据,然后获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差,接着基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵,再接着利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维,然后采集用户的第二人脸数据,提取所述第二人脸数据的人脸特征数据,并将所述人脸特征数据进行数据降维得到特征矩阵,最后将所述特征矩阵与所述目标矩阵进行匹配,若匹配成功,则人脸识别通过;从而用样本间距代替了现有公式中的组内方差,用均值矩阵R代替了现有公式中的组外方差,简化了算法,提高了数据处理效率,进而提高了人脸识别的效率,加快了人脸识别速度。
附图说明
图1为本发明各实施例涉及的基于数据降维的人脸识别设备的硬件结构示意图;
图2为本发明基于数据降维的人脸识别方法第一实施例的流程示意图;
图3为本发明基于数据降维的人脸识别装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例涉及的基于数据降维的人脸识别方法主要应用于基于数据降维的人脸识别设备,该基于数据降维的人脸识别设备可以是PC(个人计算机personalcomputer)、便携计算机、移动终端等具有显示和处理功能的设备。
参照图1,图1为本发明实施例方案中涉及的基于数据降维的人脸识别设备的硬件结构示意图。本发明实施例中,基于数据降维的人脸识别设备可以包括处理器1001(例如中央处理器Central Processing Unit、CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口);存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种存储介质的存储器1005可以包括操作***、网络通信模块以及基于数据降维的人脸识别程序。在图1中,网络通信模块主要用于连接服务器,与服务器进行数据通信;而处理器1001可以调用存储器1005中存储的基于数据降维的人脸识别程序,并执行本发明实施例提供的基于数据降维的人脸识别方法。
本发明实施例提供了一种基于数据降维的人脸识别方法。
参照图2,图2为本发明基于数据降维的人脸识别方法第一实施例的流程示意图。所述基于数据降维的人脸识别方法包括以下步骤:
步骤S10,采集样本数据中的第一人脸数据,将所述第一人脸数据作为待降维数据,并获取所述待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据;
在本实施例中,待降维数据中存在对象标签,该对象标签用于区分数据的种类,根据该对象标签将待降维数据进行分类,将待降维数据中对象标签相同的数据分为一类,以得到分类后的待处理数据,例如,第一人脸数据中包括A用户、B用户、C用户的人脸数据,各用户的人脸数据中又包括用户的眼部、鼻子、嘴唇等部位的数据,人脸数据中包括标识A用户、B用户及C用户的对象标签,则将带有A用户的对象标签的数据分为一类,将带有B用户的对象标签的数据分为一类,将带有C用户的对象标签的数据分为一类,其中,待处理数据中分为一类的数据称为一组数据。
步骤S20,获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差;
在本实施例中,获取待处理数据中各组数据中的特征值及对象数量,利用公式:
根据组内均值利用公式
步骤S30,基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵;
在本实施例中,利用公式:计算组内的样本间距离矩阵,利用公式计算各组的均值矩阵,其中,Xc为样本间距离矩阵,R为均值矩阵,值得注意的是,本算法相对于现有算法用样本间距离矩阵代替了现有公式组内方差,用均值矩阵R代替了现有公式中的组外方差,从而不需要进行矩阵的倒置计算,进而简化了算法,提高了数据处理速度。
步骤40,利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维。
在本实施例中,将样本间距离矩阵Xc及均值矩阵R代入预设函数,得到预设函数为:
将预设函数进行转换,并求解转换后的函数,从而得到目前矩阵,实现数据降维。其中,D为预设的正交矩阵,ω为第一待求解参数,ωT为ω的倒置矩阵,γ是预设的惩罚项,p为x的矩阵中列的列数,可以为第一列、第二列、第三列等,RP为x的矩阵中第p列的实数集,σ是尺度向量,所以,每个XC都有一个对应的尺度向量。
其中,所述将所述预设函数进行转换,并通过迭代求解转换后的函数的步骤包括:
步骤S41,获取处理后的预设函数中第一待求解参数的正交基向量,基于所述正交基向量建立所述第一待求解参数与预设的第二待求解参数的转换关系;
在本实施例中,获取第一待求解参数的正交基向量,令ω=DNx,其中,N是XC的零向量空间Null(XC)即ω的正交基向量,x为第二待求解参数,所以,只需要求的x,则能够根据ω=DNx求得ω。
步骤S42,基于所述转换关系将处理后的预设函数转换为第一函数,通过迭代计算求解所述第一设函数。
下面是对第一函数求解得到x的过程:
步骤S421,利用交替方向乘子法添加决策变量将所述第一函数转换为第二函数;
在本实施例中,利用乘法器(ADMM)的交替方向乘子法来求解上述函数,具体地,添加决策变量y,令y=DNx,得到第二函数:
其中,yT为y倒置矩阵。
步骤S422,对所述第二函数进行最小化处理,并按照预设转换公式将最小化处理后的第二函数进行转换,得到第三函数;
在本实施例中,将第二函数最小化处理,得到函数:
本实施例中,ρ(DNx)却不能分离出x,所以,利用ρ(y)把变量y分离出来,其中,yT为y的倒置矩阵。
步骤S423,利用增广拉格朗日乘子法将所述第三函数进行转换,得到所述第三函数对应的增广拉格朗日函数,求解所述增广拉格朗日函数中所述第二待求解参数,并基于所述转换关系求解所述第一待求解参数。
在本实施例中,采用增广拉格朗日函数法计算第三函数,得到第三函数对应的增广拉格朗日函数,为:
下面是对第三函数的增广拉格朗日函数进行求解:
步骤a,取所述增广拉格朗日函数第t次迭代计算得到的解为(xt,yt,zt),其中,所述增广拉格朗日函数t次迭代计算得到的所有解构成矩阵空间;
在本实施例中,迭代求解该增广拉格函数的解将得到(x,y,z)的所有解,所有解可以构成矩阵空间,取增广拉格朗日函数第t次迭代计算得到的解为(xt,yt,zt);
步骤b,分别计算在矩阵空间中x方向和y方向使所述增广拉格朗日函数的函数值最小的解为(xt+1,yt+1),并通过预设的公式计算得到zt+1,以得到t+1步解的函数式;
在本实施例中,分别计算在x方向和y方向下使Lβ的函数值最小的解为(xt+1,yt+1),然后更新z得到zt+1,得到从而得到Lβ的第t+1步的解(xt+1,yt+1,zt+1),得到函数式:
预设的公式为:zt+1=zt+β(DNxt+1-yt+1)
步骤c,求解所述函数式,并利用第二预设公式计算所述第二待求解参数x,基于所述转换关系求解所述第一待求解参数ω。
在本实施例中,求解上述函数式,利用第二预设公式计算x,并ω=DNx计算ω。
下面对x的计算进行具体解释:
其中,I是常量矩阵,β为常量。
利用第二预设公式:计算x,其中,利用平方根法对I-RNNTRT进行矩阵分解得v,I为常量矩阵,b=βDNxt+zt,v为第一中间量,b第二中间量,β为常量,N为ω的正交基向量,NT为N的倒置矩阵,R为所述均值矩阵,RT为R的倒置矩阵。
利用第二公式计算x,根据ω=DNx计算ω,将计算得到的ω填充至样本间距离矩阵,再将新的Xc用于下一步的求解,通过迭代的算法计算所有判别向量ωi,从而得到ω的矩阵即目标矩阵,从而实现了整个降维过程,进而将高维数据降低到低维数据。
步骤S50,采集用户的第二人脸数据,提取所述第二人脸数据的人脸特征数据,并将所述人脸特征数据进行数据降维得到特征矩阵;
步骤S60,将所述特征矩阵与所述目标矩阵进行匹配,若匹配成功,则人脸识别通过。
在本实施例中,在进行人脸识别时,首先采集待识别用户的第二人脸数据,并提取第二人脸数据中的人脸特征数据,可以利用本实施例中的数据降维方法对人脸特征数据进行数据降维,得特征矩阵,并将人脸特征与样本数据的目标矩阵进行匹配,确定目标矩阵中是否存在与特征矩阵匹配的矩阵,若目标矩阵中存在与特征矩阵匹配的矩阵,则人脸识别成功。
本实施例提出的基于数据降维的人脸识别方法,通获取待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据,然后获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差,接着基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵,最后利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维;从而用样本间距代替了现有公式中的组内方差,用均值矩阵R代替了现有公式中的组外方差,简化了算法,提高了数据处理效率,进而提高了人脸识别的效率,加快了人脸识别速度。
基于第一实施例,提出基于数据降维的人脸识别方法的第二实施例,本实施例中,该基于数据降维的人脸识别方法还包括:
步骤d,在迭代计算所述第二待求解参数x时,只选取x的第一列中的元素进行迭代计算。
符号“:”表示所有行,符号“,”表示把行数和列数分开,xt+1=x(t+1)(:,1)表示只取x的第第一列中的元素进行计算,从而不需要计算x的全部空间,从而简化了算法。
并且,在计算ω时,通过豪斯霍尔德变换更新N,从而根据ω=DNx计算ω,具体地,Nupdate=N-2*(N*x)*x,Nupdate为更新后的N,每计算一个x时,更新一次N,从而得到所有的ω。
本实施例提出的基于数据降维的人脸识别方法,在迭代计算过程中,只取x的第一列进行计算,从而不用计算x的全部空间,进而简化了算法,提高了数据处理效率。
此外,本发明实施例还提供一种基于数据降维的人脸识别装置。
参照图3,图3为本发明基于数据降维的人脸识别装置第一实施例的功能模块示意图。
本发明基于数据降维的人脸识别装置为虚拟装置,存储于图1所示基于数据降维的人脸识别设备的存储器1005中,用于实现基于数据降维的人脸识别程序的所有功能:获取待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据;获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差;基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵;利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维。
具体的,本实施例中,所述基于数据降维的人脸识别装置包括:
分类模块101,用于采集样本数据中的第一人脸数据,将所述第一人脸数据作为待降维数据,并获取所述待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据;
获取模块102,用于获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差;
计算模块103,用于基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵;
数据处理模块104,用于利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维;
采集模块105,用于采集用户的第二人脸数据,提取所述第二人脸数据的人脸特征数据,并将所述人脸特征数据进行数据降维得到特征矩阵;
匹配模块106,用于将所述特征矩阵与所述目标矩阵进行匹配,若匹配成功,则人脸识别通过。
进一步地,数据处理模块104还用于:
获取处理后的预设函数中第一待求解参数的正交基向量,基于所述正交基向量建立所述第一待求解参数与预设的第二待求解参数的转换关系;
基于所述转换关系将处理后的预设函数转换为第一函数,通过迭代计算求解所述第一设函数。
进一步地,数据处理模块104还用于:
利用交替方向乘子法添加决策变量将所述第一函数转换为第二函数;
对所述第二函数进行最小化处理,并按照预设转换公式将最小化处理后的第二函数进行转换,得到第三函数;
利用增广拉格朗日乘子法将所述第三函数进行转换,得到所述第三函数对应的增广拉格朗日函数,求解所述增广拉格朗日函数中所述第二待求解参数,并基于所述转换关系求解所述第一待求解参数。
进一步地,数据处理模块104还用于:
取所述增广拉格朗日函数第t次迭代计算得到的解为(xt,yt,zt),其中,所述增广拉格朗日函数t次迭代计算得到的所有解构成矩阵空间;
分别计算在矩阵空间中x方向和y方向使所述增广拉格朗日函数的函数值最小的解为(xt+1,yt+1),并通过预设的公式计算得到zt+1,以得到t+1步解的函数式;
求解所述函数式,并利用第二预设公式计算所述第二待求解参数x,基于所述转换关系求解所述第一待求解参数ω。
进一步地,所述第二预设公式为:
其中,x为第二待求解参数,ω为第一待求解参数,v为第一中间量,vT为v的倒置矩阵,b为第二中间量,β为常量,N为ω的正交基向量,NT为N的倒置矩阵,R为所述均值矩阵,RT为R的倒置矩阵,b=βDNxt+zt,D为预设的正交矩阵;
利用平方根法对I-RNNTRT进行矩阵分解得到v;
利用所述第二预设公式求解所述第二待求解参数x,根据转换关系ω=DNx求解所述第一待求解参数ω。
其中,上述基于数据降维的人脸识别装置中各个模块的功能实现与上述基于数据降维的人脸识别方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明实施例还提供一种存储介质。
本发明存储介质上存储有基于数据降维的人脸识别程序,其中所述基于数据降维的人脸识别程序被处理器执行时,实现如上述的基于数据降维的人脸识别方法的步骤。
其中,基于数据降维的人脸识别程序被执行时所实现的方法可参照本发明基于数据降维的人脸识别方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于数据降维的人脸识别方法,其特征在于,所述基于数据降维的人脸识别方法包括以下步骤:
采集样本数据中的第一人脸数据,将所述第一人脸数据作为待降维数据,并获取所述待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据;
获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差;
基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵;
利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维;
采集用户的第二人脸数据,提取所述第二人脸数据的人脸特征数据,并将所述人脸特征数据进行数据降维得到特征矩阵;
将所述特征矩阵与所述目标矩阵进行匹配,若匹配成功,则人脸识别通过。
2.如权利要求1所述的基于数据降维的人脸识别方法,其特征在于,所述将处理后的预设函数进行转换,并通过迭代求解转换后的函数的步骤包括:
获取处理后的预设函数中第一待求解参数的正交基向量,基于所述正交基向量建立所述第一待求解参数与预设的第二待求解参数的转换关系;
基于所述转换关系将处理后的预设函数转换为第一函数,通过迭代计算求解所述第一函数。
3.如权利要求2所述的基于数据降维的人脸识别方法,其特征在于,所述通过迭代计算求解所述第一函数的步骤包括:
利用交替方向乘子法添加决策变量将所述第一函数转换为第二函数;
对所述第二函数进行最小化处理,并按照预设转换公式将最小化处理后的第二函数进行转换,得到第三函数;
利用增广拉格朗日乘子法将所述第三函数进行转换,得到所述第三函数对应的增广拉格朗日函数,求解所述增广拉格朗日函数中所述第二待求解参数,并基于所述转换关系求解所述第一待求解参数。
4.如权利要求3所述的基于数据降维的人脸识别方法,其特征在于,所述求解所述增广拉格朗日函数中所述第二待求解参数,并基于所述转换关系求解所述第一待求解参数的步骤包括:
取所述增广拉格朗日函数第t次迭代计算得到的解为(xt,yt,zt),其中,所述增广拉格朗日函数t次迭代计算得到的所有解构成矩阵空间;
分别计算在矩阵空间中x方向和y方向使所述增广拉格朗日函数的函数值最小的解为(xt+1,yt+1),并通过预设的公式计算得到zt+1,以得到t+1步解的函数式;
求解所述函数式,并利用第二预设公式计算所述第二待求解参数x,基于所述转换关系求解所述第一待求解参数ω。
6.一种基于数据降维的人脸识别装置,其特征在于,所述基于数据降维的人脸识别装置包括:
分类模块:用于采集样本数据中的第一人脸数据,将所述第一人脸数据作为待降维数据,并获取所述待降维数据中的对象标签,根据所述对象标签对所述待降维数据进行分类,以得到分类后的待处理数据,其中,将待处理数据中分为一类的数据作为一组数据;
获取模块:用于获取各所述对象标签对应的各对象的特征值及对象数量,基于所述特征值及所述对象数量计算待处理数据中各组数据的组内均值及组内协方差;
计算模块:用于基于所述组内均值及所述组内协方差利用第一预设公式计算各组组内的样本间距离矩阵及均值矩阵;
数据处理模块:用于利用预设函数对所述样本间距离矩阵及所述均值矩阵进行处理,将处理后的预设函数进行转换,并通过迭代求解转换后的函数,得到目标矩阵,以实现数据降维;
采集模块,用于采集用户的第二人脸数据,提取所述第二人脸数据的人脸特征数据,并将所述人脸特征数据进行数据降维得到特征矩阵;
匹配模块,用于将所述特征矩阵与所述目标矩阵进行匹配,若匹配成功,则人脸识别通过。
7.如权利要求6所述的基于数据降维的人脸识别装置,其特征在于,所述数据处理模块还用于:
获取处理后的预设函数中第一待求解参数的正交基向量,基于所述正交基向量建立所述第一待求解参数与预设的第二待求解参数的转换关系;
基于所述转换关系将处理后的预设函数转换为第一函数,通过迭代计算求解所述第一函数。
8.如权利要求7所述的基于数据降维的人脸识别装置,其特征在于,所述数据处理模块还用于:
利用交替方向乘子法添加决策变量将所述第一函数转换为第二函数;
对所述第二函数进行最小化处理,并按照预设转换公式将最小化处理后的第二函数进行转换,得到第三函数;
利用增广拉格朗日乘子法将所述第三函数进行转换,得到所述第三函数对应的增广拉格朗日函数,求解所述增广拉格朗日函数中所述第二待求解参数,并基于所述转换关系求解所述第一待求解参数。
9.一种基于数据降维的人脸识别设备,其特征在于,所述基于数据降维的人脸识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于数据降维的人脸识别程序,其中所述基于数据降维的人脸识别程序被所述处理器执行时,实现如权利要求1至5中任一项所述的基于数据降维的人脸识别方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于数据降维的人脸识别程序,其中所述基于数据降维的人脸识别程序被处理器执行时,实现如权利要求1至5中任一项所述的基于数据降维的人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910753753.2A CN110543833B (zh) | 2019-08-15 | 2019-08-15 | 基于数据降维的人脸识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910753753.2A CN110543833B (zh) | 2019-08-15 | 2019-08-15 | 基于数据降维的人脸识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110543833A CN110543833A (zh) | 2019-12-06 |
CN110543833B true CN110543833B (zh) | 2020-09-22 |
Family
ID=68711455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910753753.2A Active CN110543833B (zh) | 2019-08-15 | 2019-08-15 | 基于数据降维的人脸识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543833B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004791A (zh) * | 2007-01-19 | 2007-07-25 | 赵力 | 一种基于二维偏最小二乘法的面部表情识别方法 |
CN102208020A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于最优维数标度切判据的人脸识别方法 |
CN104463148A (zh) * | 2014-12-31 | 2015-03-25 | 南京信息工程大学 | 基于图像重构和哈希算法的人脸识别方法 |
EP3023911A1 (en) * | 2014-11-24 | 2016-05-25 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object, and method and apparatus for training recognizer |
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4742193B2 (ja) * | 2009-04-28 | 2011-08-10 | Necソフト株式会社 | 年齢推定装置、年齢推定方法及びプログラム |
-
2019
- 2019-08-15 CN CN201910753753.2A patent/CN110543833B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004791A (zh) * | 2007-01-19 | 2007-07-25 | 赵力 | 一种基于二维偏最小二乘法的面部表情识别方法 |
CN102208020A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于最优维数标度切判据的人脸识别方法 |
EP3023911A1 (en) * | 2014-11-24 | 2016-05-25 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object, and method and apparatus for training recognizer |
CN104463148A (zh) * | 2014-12-31 | 2015-03-25 | 南京信息工程大学 | 基于图像重构和哈希算法的人脸识别方法 |
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110543833A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287312B (zh) | 文本相似度的计算方法、装置、计算机设备及计算机存储介质 | |
CN111898547A (zh) | 人脸识别模型的训练方法、装置、设备及存储介质 | |
CN108229532B (zh) | 图像识别方法、装置和电子设备 | |
CN111401318B (zh) | 动作识别方法及装置 | |
Li et al. | A fast algorithm for nonnegative matrix factorization and its convergence | |
CN115063875B (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN112016450B (zh) | 机器学习模型的训练方法、装置和电子设备 | |
Oveisi et al. | Tree-structured feature extraction using mutual information | |
CN111209867A (zh) | 一种表情识别方法及装置 | |
CN113255557B (zh) | 一种基于深度学习的视频人群情绪分析方法及*** | |
CN113627439A (zh) | 文本结构化处理方法、处理装置、电子设备以及存储介质 | |
CN112669298A (zh) | 一种基于模型自训练的地基云图像云检测方法 | |
CN110263631B (zh) | 一种手写化学公式识别与配平方法 | |
CN110543833B (zh) | 基于数据降维的人脸识别方法、装置、设备及存储介质 | |
JP2017054323A (ja) | 生体認証装置、生体認証方法、及び生体認証プログラム | |
Ji et al. | Angular-similarity-preserving binary signatures for linear subspaces | |
Nanni et al. | Ensemble to improve gesture recognition | |
CN114842489A (zh) | 表格解析方法及装置 | |
CN110516717B (zh) | 用于生成图像识别模型的方法和装置 | |
Pankaja et al. | A hybrid approach combining CUR matrix decomposition and weighted kernel sparse representation for plant leaf recognition | |
Lövdal et al. | Iterated Relevance Matrix Analysis (IRMA) for the identification of class-discriminative subspaces | |
Ozdil et al. | Optical character recognition without segmentation | |
Shao et al. | An NMF-based method for the fingerprint orientation field estimation | |
Park et al. | Comparison of incremental linear dimension reduction methods for streaming data | |
CN113420628B (zh) | 一种群体行为识别方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |