[發明專利]人臉識別方法和裝置

有效

• 申請號: 201710632418.8
• 申請日: 2017-07-28
• 公開（公告）號: CN107563287B
• 公開（公告）日: 2019-12-31
• 發明（設計）人: 周靜
• 申請（專利權）人: 江漢大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 11138 北京三高永信知識產權代理有限責任公司
• 代理人: 徐立

1.一種人臉識別方法，其特征在于，所述方法包括：

對待識別樣本集進行預處理，得到待識別樣本集的非負矩陣；

采用新加性迭代稀疏非負矩陣分解法對所述待識別樣本集的非負矩陣進行處理，求出所述待識別樣本集的最優基矩陣和最優系數矩陣，所述待識別樣本集的最優基矩陣和最優系數矩陣采用如下迭代公式迭代產生：

其中，S為所述待識別樣本集的非負矩陣，大小為I×J，I、J均為正整數，I為所述待識別樣本集中每個樣本的低頻特征維度，J為所述待識別樣本集的樣本數量；P'表示第n次迭代得到的基矩陣，P表示第n+1次迭代得到的基矩陣，P'和P大小均為I×R，R表示P的特征維度，R為正整數且I≥R；Q'表示第n次迭代得到的系數矩陣，Q表示第n+1次迭代得到的系數矩陣，Q'和Q大小均為R×J；P′^T為P'的轉置矩陣，Q′^T為Q'的轉置矩陣；P_ir為P的第i行第r列的元素，Q_rj為Q的第r行第j列的元素，P′_ir為P'的第i行第r列的元素，Q′_rj為Q'的第r行第j列的元素，i、r、j和n均為正整數，且i≤I，r≤R，j≤J；當J(P,Q)的值最小時，P為最優基矩陣，Q為最優系數矩陣，

采用訓練好的分類器對所述待識別樣本集的最優系數矩陣進行分類，完成人臉識別；

其中，所述采用新加性迭代稀疏非負矩陣分解法對所述待識別樣本集的非負矩陣進行處理，求出所述待識別樣本集的最優基矩陣和最優系數矩陣，包括：

在設定范圍內確定R的值，所述設定范圍為175≥R≥20；

對于確定出的R的值，采用新加性迭代稀疏非負矩陣分解法對所述待識別樣本集的非負矩陣進行分解，求出R對應的所述待識別樣本集的最優基矩陣和最優系數矩陣。

2.根據權利要求1所述的方法，其特征在于，所述對于確定出的R的值，采用新加性迭代稀疏非負矩陣分解法對所述待識別樣本集的非負矩陣進行分解，求出R對應的所述待識別樣本集的最優基矩陣和最優系數矩陣，包括：

根據R確定初始基矩陣和初始系數矩陣；

根據所述初始基矩陣和初始系數矩陣以及所述迭代公式進行迭代計算；

將每一步迭代計算出的基矩陣和系數矩陣代入目標函數：

當所述目標函數的值達到穩定狀態，結束迭代計算，并將最后一次迭代計算出的基矩陣和系數矩陣作為所述待識別樣本集的最優基矩陣和最優系數矩陣，其中，所述穩定狀態是指所述目標函數的值保持不變或者變動幅度小于預定幅度；或者，當迭代次數達到迭代次數閾值時，選取最后一次迭代計算出的基矩陣和系數矩陣作為所述待識別樣本集的最優基矩陣和最優系數矩陣。

3.根據權利要求2所述的方法，其特征在于，所述對于確定出的R的值，采用新加性迭代稀疏非負矩陣分解法對所述待識別樣本集的非負矩陣進行分解，求出R對應的所述待識別樣本集的最優基矩陣和最優系數矩陣，還包括：

確定稀疏化閾值；

在每一步迭代計算后，判斷迭代計算出的基矩陣中的每個數值與稀疏化閾值的大小；將迭代計算出的基矩陣中大于稀疏化閾值的數值設置為1，將迭代計算出的基矩陣中小于或等于稀疏化閾值的數值設置為0。

4.根據權利要求1-3任一項所述的方法，其特征在于，所述方法還包括：

對訓練樣本集進行預處理，得到訓練樣本集的非負矩陣；

采用新加性迭代稀疏非負矩陣分解法對所述訓練樣本集的非負矩陣進行處理，求出所述訓練樣本集的最優基矩陣和最優系數矩陣，所述最優基矩陣和最優系數矩陣采用與所述待識別樣本集處理時相同的迭代公式迭代產生；

采用所述訓練樣本集的最優系數矩陣訓練分類器。