[發(fā)明專利]一種針對小樣本訓練數(shù)據(jù)的人臉分類方法

有效

• 申請?zhí)枺?/td>: 202011243596.X
• 申請日: 2020-11-10
• 公開（公告）號: CN112232298B
• 公開（公告）日: 2022-11-15
• 發(fā)明（設計）人: 孫磊;蘇浩;謝翠芳;劉耘彤;王邵琦;崔如瑤
• 申請（專利權）人: 北京理工大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774
• 代理公司: 北京正陽理工知識產(chǎn)權代理事務所(普通合伙) 11639
• 代理人: 張利萍

本發(fā)明涉及一種針對小樣本訓練數(shù)據(jù)的人臉分類方法，屬于計算機視覺以及模式識別技術領域。包括：步驟S1：建立訓練數(shù)據(jù)集；步驟S2：數(shù)據(jù)預處理；步驟S3：分別建立樣本矩陣和類別正交矩陣，并建立模型并求解特征向量；步驟S4：訓練并求解模型，解得特征矩陣Q；步驟S5：通過測試模型對人臉進行分類。所述方法能在小樣本訓練數(shù)據(jù)的情況下，極大降低采集樣本的成本，且更加匹配實際情況能極大地降低在收集數(shù)據(jù)時付出的成本；所述方法不僅局限于小樣本數(shù)據(jù)，增多樣本仍能顯著提高分類性能；使用線性模型建模，能降低人臉分類的部署成本并提高運算速度；在訓練階段運算速度較快，能降低模型遷移到其他數(shù)據(jù)集的遷移成本。

技術領域

本發(fā)明涉及一種針對小樣本訓練數(shù)據(jù)的人臉分類方法，屬于信息技術、計算機視覺以及模式識別技術領域。

背景技術

現(xiàn)如今，多種場合都需要人臉分類等相關技術，例如人臉考勤機等。一般地，在進行人臉分類前，需要事先采集指定人群的人臉圖像，然后對這些人臉圖像進行預處理并提取人臉圖像的特征，最后通過模式識別的相關算法完成人臉分類。在模式識別領域中，以上過程被稱作模型訓練階段。而當把模型具體落實到應用需求的過程屬于模型的測試階段。在測試階段中，采集到被測試的圖像以后，需要對該圖像進行特征提取，并使用訓練階段得到的人臉分類模型進行分類，最終得到人臉分類結果。近年來，通過機器學習和深度學習等相關算法實現(xiàn)人臉分類的方法開始普及。

然而，在實際應用中，人臉分類的實現(xiàn)受到兩方面因素的制約。一方面，高質量的大量人臉圖像難以獲得，使得神經(jīng)網(wǎng)絡和深度學習等依賴大量訓練樣本數(shù)量的方法難以奏效；另一方面，在工業(yè)或者生產(chǎn)生活中，使用者對于人臉分類的實時性要求很高。但由于建設成本的制約，使得相關設備的計算能力十分有限，這使得一些較為復雜的人臉分類算法(例如基于深度學習的圖像分類算法)要么難以部署在設備上，要么難以實時地得到計算結果。

本專利主要以實際應用環(huán)境和需求為背景，針對訓練樣本數(shù)據(jù)較少、算法部署較為困難、算法運行時間較長等制約因素，給出一種針對小樣本情況訓練數(shù)據(jù)的人臉分類方法。這一方法的突出特點是：能夠在小樣本訓練數(shù)據(jù)的情況下有效建立模型，可以極大地降低了采集樣本的成本；本方法不局限于小樣本情況，增多訓練數(shù)據(jù)可以顯著提高分類準確率；使用線性模型進行建模，可以降低人臉分類方法的部署成本并提高運算速度；本方法在訓練階段的運算速度較快，可以降低模型遷移到其他數(shù)據(jù)集的遷移成本。

發(fā)明內容

本發(fā)明目的是針對現(xiàn)有人臉分類方法中當訓練樣本數(shù)據(jù)較少和對實時性要較高時，難以滿足使用需求的技術缺陷，提出了一種針對小樣本訓練數(shù)據(jù)的人臉分類方法。

為達到上述目的，本發(fā)明采用如下技術方案。

所述針對小樣本訓練數(shù)據(jù)的人臉分類方法，包括如下步驟：

步驟S1：建立訓練數(shù)據(jù)集，具體為：采集M個人的正臉灰度圖像作為訓練數(shù)據(jù)，生成訓練數(shù)據(jù)集；

其中，訓練數(shù)據(jù)集中包括M個人的圖像及類別標簽，且每個人的圖像至少有1張，M個人分別對應類別標簽0,1，……，M-1，圖像的總數(shù)為N，且N＝M；

步驟S2：數(shù)據(jù)預處理，具體為：將每張圖像樣本重排為一個列向量，然后對所有的圖像進行歸一化處理；

其中，該列向量記為{x_i,i＝1,...,N}x_i表示第i個樣本，N表示總樣本數(shù)，數(shù)值與步驟S1中圖像的總數(shù)相同；

步驟S3:分別建立樣本矩陣和類別正交矩陣，并建立模型，具體包括如下子步驟：

步驟S3-1：將步驟S2得到的所有樣本的列向量組合成為樣本矩陣X，組合過程中樣本要按照類別標簽由小到大的順序依次進行排列；

步驟S3-2：根據(jù)每個樣本所屬的類別，設計M個類別正交向量，組合成為一個矩陣，記為R，稱R為類別正交矩陣；