本發(fā)明涉及生物識(shí)別技術(shù)，尤其涉及一種基于稀疏投影二值編碼的人臉識(shí)別方法及裝置。

背景技術(shù)：

從原始社會(huì)到現(xiàn)今的信息社會(huì)，從社會(huì)從公有到私有的過程中，對(duì)于個(gè)人隱私的保護(hù)需求與日俱增。越來越多的領(lǐng)域需要用到可靠的生物識(shí)別技術(shù)，而人臉作為一種特殊的生物特征，具有特征唯一、相對(duì)穩(wěn)定、獲取簡(jiǎn)便且具備非接觸性等顯著優(yōu)點(diǎn)而受到廣泛關(guān)注。

現(xiàn)有技術(shù)中的人臉識(shí)別算法主要包括基于實(shí)數(shù)值表示人臉特征的人臉識(shí)別方法和基于稠密二值特征向量表示人臉特征的人臉識(shí)別方法。其中，基于實(shí)數(shù)值表示人臉特征的人臉識(shí)別方法是指利用預(yù)先設(shè)計(jì)的目標(biāo)函數(shù)從輸入的人臉圖像中提取基于實(shí)數(shù)值表示的人臉特征，然后利用模式識(shí)別方法判斷輸入圖像屬于哪個(gè)人。基于稠密二值特征向量表示人臉特征的人臉識(shí)別方法是指將原始的基于實(shí)數(shù)值表示的人臉特征轉(zhuǎn)化為基于稠密二值特征向量表示的人臉特征，使用的投影矩陣是稠密投影矩陣(即矩陣中的絕大部分元素為非0元素)，最后采用模式識(shí)別方法判斷輸入圖像屬于哪個(gè)人。

但是，對(duì)于基于實(shí)數(shù)值表示人臉特征的人臉識(shí)別方法，一方面需要大量的存儲(chǔ)單元、計(jì)算速度慢，一般的計(jì)算機(jī)或移動(dòng)設(shè)備難以滿足其存儲(chǔ)和計(jì)算需求；另一方面，該方法對(duì)于人臉圖像中的局部變化敏感，當(dāng)同一張人臉圖像發(fā)生變化變化的程度超過某一閾值時(shí)，分類器就會(huì)將兩個(gè)原本屬于同一個(gè)人的特征識(shí)別為不同人。在基于稠密二值特征向量表示人臉特征的人臉識(shí)別方法中，由于在二值量化過程中始終存在量化誤差的影響，當(dāng)量化后的二值特征向量的維度小于原始特征向量的維度時(shí)，很可能導(dǎo)致大量判別信息的丟失，從而影響二值特征向量描述人臉圖像特征的能力；此外，基于稠密二值特征向量表示人臉特征的人臉識(shí)別方法還存在訓(xùn)練樣本的過擬合問題，而過擬合會(huì)導(dǎo)致人臉識(shí)別方法在計(jì)算過程中對(duì)數(shù)據(jù)的適應(yīng)性差，從而影響人臉識(shí)別方法的性能。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于稀疏投影二值編碼的人臉識(shí)別方法及裝置，以克服現(xiàn)有技術(shù)中的人臉識(shí)別方法識(shí)別速度慢、訓(xùn)練樣本過度擬合及對(duì)數(shù)據(jù)的適應(yīng)性差的技術(shù)問題。

本發(fā)明提供一種基于稀疏投影二值編碼的人臉識(shí)別方法，包括：

獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量；其中，所述訓(xùn)練樣本為人臉圖像，所述訓(xùn)練集中包括多幅不同的人臉圖像；

根據(jù)所述第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各所述像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；

對(duì)所有的所述第一二值特征向量進(jìn)行聚類，得到多個(gè)聚類中心-單詞；

將各所述訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用所述單詞對(duì)所述第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)所述第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量；

獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各所述第二二值特征向量組成第二矩陣，采用所述單詞對(duì)所述第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)所述第二線性重建結(jié)果得到第二向量；

根據(jù)所述第一向量和所述第二向量，得到人臉識(shí)別結(jié)果。

如上所述的方法，所述第一目標(biāo)函數(shù)如公式一所示：

其中，R為稀疏投影矩陣，|R|₀≤m表示稀疏投影矩陣R中非零元素的個(gè)數(shù)小于等于m個(gè)，B為第一二值特征向量，參數(shù)m與所述稀疏投影矩陣R的稀疏程度具有關(guān)聯(lián)關(guān)系，m為正整數(shù)，X為所述第一像素差值向量。

如上所述的方法，所述將各所述訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用所述單詞對(duì)所述第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)所述第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量，包括：

采用所述單詞對(duì)所述第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，所述第一線性重建結(jié)果的表達(dá)式如公式二所示：

B_i＝a_i1S₁+a_i2S₂+...+a_ikS_k 公式二；

其中，B_i為第i個(gè)訓(xùn)練樣本的各第一二值特征向量組成的第一矩陣，S_k為第k個(gè)單詞，a_ik為在第i個(gè)訓(xùn)練樣本的對(duì)應(yīng)的所述第一矩陣采用所述單詞進(jìn)行線性重建時(shí)第k個(gè)單詞的權(quán)重；

將所述第一線性重建結(jié)果的表達(dá)式中的各所述單詞對(duì)應(yīng)的權(quán)重組成第一向量(a_i1，a_i2，……,a_ik)。

如上所述的方法，所述獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各所述第二二值特征向量組成第二矩陣，采用所述單詞對(duì)所述第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)所述第二線性重建結(jié)果得到第二向量，包括：

獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二像素差值向量，并根據(jù)所述第二像素差值向量獲取滿足所述第一目標(biāo)函數(shù)的待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的所述第二二值特征向量；

將各所述第二二值特征向量組成所述第二矩陣，并將所述第二矩陣采用所述單詞進(jìn)行線性重建，得到所述第二線性重建結(jié)構(gòu)，所述第二線性重建結(jié)果的表達(dá)式如公式三所示：

B_測(cè)試＝b₁S₁+b₂S₂+...+b_kS_k 公式三；

其中，B_測(cè)試為各所述第二二值特征向量組成的第二矩陣，S_k為第k個(gè)單詞，b_k為所述第二矩陣采用所述單詞進(jìn)行線性重建時(shí)第k個(gè)單詞的權(quán)重；

將所述第二線性重建結(jié)果的表達(dá)式中的各所述單詞對(duì)應(yīng)的權(quán)重組成所述第二向量(b₁，b₂，……,b_k)。

如上所述的方法，所述根據(jù)所述第一向量和所述第二向量，得到人臉識(shí)別結(jié)果，包括：

將所述第一向量和所述第二向量輸入分類器；

獲取所述分類器返回的第二向量與各所述第一向量的歐式距離；

將與第二向量的歐式距離最短的第一向量對(duì)應(yīng)的訓(xùn)練樣本所對(duì)應(yīng)的人臉圖像識(shí)別為待檢測(cè)人臉的圖像。

如上所述的方法，獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量，包括：

將各訓(xùn)練樣本劃分為多個(gè)塊；

以每個(gè)塊中的每個(gè)像素點(diǎn)為第一中心像素點(diǎn)，以r為半徑，得到所述第一中心像素點(diǎn)的第一鄰域像素點(diǎn)，并按照順時(shí)針方向，將所述第一鄰域像素點(diǎn)的像素值與所述第一中心像素點(diǎn)的像素值進(jìn)行差值運(yùn)算，得到長(zhǎng)度為(2×r+1)×(2×r+1)-1維的第一像素差值向量；

獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二像素差值向量，包括：

將所述待檢測(cè)人臉的圖像劃分為多個(gè)塊；

以每個(gè)塊中的每個(gè)像素點(diǎn)為第二中心像素點(diǎn)，以r為半徑，得到所述第二中心像素點(diǎn)的第二鄰域像素點(diǎn)，并按照順時(shí)針方向，將所述第二鄰域像素點(diǎn)的像素值與所述第二中心像素點(diǎn)的像素值進(jìn)行差值運(yùn)算，得到長(zhǎng)度為(2×r+1)×(2×r+1)-1維的第二像素差值向量；

其中，r為正整數(shù)。

如上所述的方法，所述根據(jù)所述第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各所述像素點(diǎn)對(duì)應(yīng)的第一二值特征向量，包括：

引入R的代理矩陣S，將所述第一目標(biāo)函數(shù)變換為第二目標(biāo)函數(shù)，所述第二目標(biāo)函數(shù)如公式四所示：

其中，變量α表示代理矩陣S的懲罰因子，用以平衡公式四中和這兩項(xiàng)的變量，|S|₀表示代理矩陣S中非0元素的個(gè)數(shù)，參數(shù)m與所述稀疏投影矩陣R的稀疏程度具有關(guān)聯(lián)關(guān)系；表示代理矩陣S與二值編碼B之間的量化誤差，表示代理矩陣S與R之間的誤差；

對(duì)所述第二目標(biāo)函數(shù)進(jìn)行求解，得到所述第一二值特征向量。

如上所述的方法，所述對(duì)所述第二目標(biāo)函數(shù)進(jìn)行求解，得到所述第一二值特征向量，包括：

將所述第二目標(biāo)函數(shù)中的S和B隨機(jī)賦予初始值S₀和B₀，并固定所述第二目標(biāo)函數(shù)中的S和B，更新所述第二目標(biāo)函數(shù)中的R，得到R₁，具體為：

將所述第二目標(biāo)函數(shù)改成寫第一表達(dá)式，所述第一表達(dá)式如公式五所示：

其中，C₁＝SX,為固定值；

求解第一表達(dá)式，得到R₁，具體為：

通過公式六或公式七得到R₁：

其中，thrm表示將得到的矩陣中的最大的m個(gè)元素保留，其余的元素置0；R^t+1表示利用公式六第(t+1)次迭代得到的解，R^t表示利用公式六上一次(即第(t)次)迭代的解，當(dāng)?shù)螖?shù)為N時(shí)，利用公式六得到的解收斂，停止迭代，此時(shí)得到的R^N＝R₁，其中R₁表示對(duì)所述第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的R；

R₁＝thrm(S) 公式七；

其中，R₁表示對(duì)所述第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的R。

將所述第二目標(biāo)函數(shù)中的B賦予初始值B₀，將所述第二目標(biāo)函數(shù)中的R賦為R₁，并固定所述第二目標(biāo)函數(shù)中的B和R，更新所述第二目標(biāo)函數(shù)中的S，得到S₁，具體為：

將所述第二目標(biāo)函數(shù)改成寫第二表達(dá)式，所述第二表達(dá)式如公式八所示：

其中，C₂＝(B+αRX)/(1+α)為固定值；

求解第二表達(dá)式，得到S₁，具體為：

通過公式九求解S₁：

對(duì)進(jìn)行奇異值分解得到U，V：S₁＝VU^T......公式九；

其中，S₁表示對(duì)第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的S；

將所述第二目標(biāo)函數(shù)中的S賦為S₁，將所述第二目標(biāo)函數(shù)中的R賦為R₁，并固定所述第二目標(biāo)函數(shù)中的S和R，更新所述第二目標(biāo)函數(shù)中的B，得到B₁，具體為：

將所述第二目標(biāo)函數(shù)改成寫第三表達(dá)式，所述第三表達(dá)式如公式十所示：

其中，C₃＝SX,為固定值；

求解第三表達(dá)式，得到B₁，具體為：

通過公式十一得到B₁：

B＝sign(C₃)＝sign(SX) 公式十一；

其中，sign(*)為符號(hào)函數(shù)，當(dāng)自變量*大于0時(shí)，sign(*)函數(shù)輸出1，否則，sign(*)函數(shù)輸出0，B₁表示對(duì)所述第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的B，自變量為矩陣C₃中的元素；

將所述第二目標(biāo)函數(shù)中的S賦為S₁，將所述第二目標(biāo)函數(shù)中的B賦為和B₁，并固定所述第二目標(biāo)函數(shù)中的S和B，更新所述第二目標(biāo)函數(shù)中的R，得到R₂；

將所述第二目標(biāo)函數(shù)中的B賦為B₁，將所述第二目標(biāo)函數(shù)中的R賦為R₂，并固定所述第二目標(biāo)函數(shù)中的B和R，更新所述第二目標(biāo)函數(shù)中的S，得到S₂；

將所述第二目標(biāo)函數(shù)中的S賦為S₂，將所述第二目標(biāo)函數(shù)中的R賦為R₂，并固定所述第二目標(biāo)函數(shù)中的S和R，更新所述第二目標(biāo)函數(shù)中的B，得到B₂；

重復(fù)執(zhí)行將所述第二目標(biāo)函數(shù)中的S賦為S_m-1，將所述第二目標(biāo)函數(shù)中的B賦為和B_m-1，并固定所述第二目標(biāo)函數(shù)中的S和B，更新所述第二目標(biāo)函數(shù)中的R，得到R_m；將所述第二目標(biāo)函數(shù)中的B賦為B_m-1，將所述第二目標(biāo)函數(shù)中的R賦為R_m，并固定所述第二目標(biāo)函數(shù)中的B和R，更新所述第二目標(biāo)函數(shù)中的S，得到S_m；將所述第二目標(biāo)函數(shù)中的S賦為S_m，將所述第二目標(biāo)函數(shù)中的R賦為R_m，并固定所述第二目標(biāo)函數(shù)中的S和R，更新所述第二目標(biāo)函數(shù)中的B，得到B_m的操作，直至完成M次迭代，第M次迭代得到的B_M即為所述滿足第一目標(biāo)函數(shù)的各所述像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；其中，m代表第m次迭代，所述m、M均為正整數(shù)。

本發(fā)明還提供一種基于稀疏投影二值編碼的人臉識(shí)別裝置，包括：

計(jì)算單元，所述計(jì)算單元用于獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量；其中，所述訓(xùn)練樣本為人臉圖像，所述訓(xùn)練集中包括多幅不同的人臉圖像；

所述計(jì)算單元還用于根據(jù)所述第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各所述像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；

聚類單元，所述聚類單元對(duì)所有的所述第一二值特征向量進(jìn)行聚類，得到多個(gè)聚類中心-單詞；

第一向量獲取單元，所述第一向量獲取單元用于將各所述訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用所述單詞對(duì)所述第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)所述第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量；

第二向量獲取單元，所述第二向量獲取單元用于獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各所述第二二值特征向量組成第二矩陣，采用所述單詞對(duì)所述第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)所述第二線性重建結(jié)果得到第二向量；

識(shí)別單元，所述識(shí)別單元用于根據(jù)所述第一向量和所述第二向量，得到人臉識(shí)別結(jié)果。

本發(fā)明提供一種基于稀疏投影二值編碼的人臉識(shí)別方法及裝置。本發(fā)明提供的基于稀疏投影二值編碼的人臉識(shí)別方法，包括獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量；其中，訓(xùn)練樣本為人臉圖像，訓(xùn)練集中包括多幅不同的人臉圖像；根據(jù)第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；對(duì)所有的第一二值特征向量進(jìn)行聚類，得到多個(gè)聚類中心-單詞；將各訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用單詞對(duì)第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量；獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各第二二值特征向量組成第二矩陣，采用單詞對(duì)第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)第二線性重建結(jié)果得到第二向量，根據(jù)第一向量和第二向量，得到人臉識(shí)別結(jié)果。本實(shí)施例的基于稀疏投影二值編碼的人臉識(shí)別方法采用采用稀疏投影矩陣對(duì)實(shí)值表示的像素差值向量進(jìn)行編碼得到二值特征向量，并對(duì)二值特征向量進(jìn)行聚類得到單詞，采用單詞線性重建每幅人臉圖像對(duì)應(yīng)的二值特征向量組成的矩陣，識(shí)別速度快，解決了訓(xùn)練樣本過度擬合的問題，且對(duì)數(shù)據(jù)的適應(yīng)性好，提高了人臉識(shí)別方法的識(shí)別人臉的準(zhǔn)確性和快速性。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明提供的基于稀疏投影二值編碼的人臉識(shí)別方法實(shí)施例一的流程圖；

圖2為本發(fā)明的第一像素差值向量獲取示意圖；

圖3為本發(fā)明提供的基于稀疏投影二值編碼的人臉識(shí)別方法實(shí)施例二的流程圖；

圖4為本發(fā)明提供的基于稀疏投影二值編碼的人臉識(shí)別裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

圖1為本發(fā)明提供的基于稀疏投影二值編碼的人臉識(shí)別方法實(shí)施例一的流程圖，圖2為本發(fā)明的第一像素差值向量獲取示意圖。

如圖1～2所示，本實(shí)施例的方法可以包括：

S101、獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量；其中，訓(xùn)練樣本為人臉圖像，訓(xùn)練集中包括多幅不同的人臉圖像；

S102、根據(jù)第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；

S103、對(duì)所有的第一二值特征向量進(jìn)行聚類，得到多個(gè)聚類中心-單詞；

S104、將各訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用單詞對(duì)第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量；

S105、獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各第二二值特征向量組成第二矩陣，采用單詞對(duì)第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)第二線性重建結(jié)果得到第二向量；

S106、根據(jù)第一向量和第二向量，得到人臉識(shí)別結(jié)果。

對(duì)于步驟S101，事先獲取大量的不同人臉圖像組成訓(xùn)練集，訓(xùn)練集中每一張人臉圖像稱為訓(xùn)練樣本。

訓(xùn)練集建成后，獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量，具體為：將各訓(xùn)練樣本劃分為多個(gè)塊；以每個(gè)塊中的每個(gè)像素點(diǎn)為第一中心像素點(diǎn)，以r為半徑，得到第一中心像素點(diǎn)的第一鄰域像素點(diǎn)，并按照順時(shí)針方向，將第一鄰域像素點(diǎn)的像素值與第一中心像素點(diǎn)的像素值進(jìn)行差值運(yùn)算，得到長(zhǎng)度為(2×r+1)×(2×r+1)-1維的第一像素差值向量；優(yōu)選地，r取3。為了清楚的解釋順時(shí)針方向，本實(shí)施例中采用r＝2說明順時(shí)針方向的含義，如圖2所示，圖2中帶箭頭虛線的路徑即為順時(shí)針方向，每個(gè)方塊代表一個(gè)像素點(diǎn)，A代表第一中心像素點(diǎn)，沿該箭頭虛線方向依次將第一鄰域像素點(diǎn)的像素值與第一中心像素點(diǎn)的像素值分別進(jìn)行差值運(yùn)算，組成24維的第一像素差值向量。其中，第一鄰域像素點(diǎn)的個(gè)數(shù)也是(2×r+1)×(2×r+1)-1個(gè)。

該步驟中，本領(lǐng)域技術(shù)人員可以理解的是，當(dāng)r的值選定后，由于訓(xùn)練樣本被分成的多個(gè)塊，每個(gè)塊中會(huì)有許多個(gè)邊緣像素點(diǎn)的第一鄰域像素點(diǎn)的個(gè)數(shù)不足(2×r+1)×(2×r+1)-1個(gè)，為了使得到的第一像素差值向量的維數(shù)相同，將每個(gè)塊中第一鄰域像素點(diǎn)的個(gè)數(shù)不足(2×r+1)×(2×r+1)-1個(gè)的邊緣像素點(diǎn)舍棄。

對(duì)于步驟S102，在得到第一像素差值向量后，根據(jù)第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各像素點(diǎn)對(duì)應(yīng)的第一二值特征向量。在本實(shí)施例中，第一目標(biāo)函數(shù)如公式一所示：

其中，R為稀疏投影矩陣，|R|₀≤m表示稀疏投影矩陣R中非零元素的個(gè)數(shù)小于等于m個(gè)，B為第一二值特征向量，參數(shù)m與稀疏投影矩陣R的稀疏程度具有關(guān)聯(lián)關(guān)系，m為正整數(shù)，X為第一像素差值向量。

其中，m的取值規(guī)則為，矩陣中所有元素的個(gè)數(shù)的4％～6％。

采用稀疏投影矩陣對(duì)第一像素差值向量進(jìn)行編碼，得到的量化后的第一二值特征向量的維度遠(yuǎn)高于第一像素差值向量的維度，因此，能夠最小化第一像素差值向量和第一二值特征向量之間的量化誤差，可以提升第一二值特征向量描述人臉圖像的能力。而且，采用稀疏投影矩陣對(duì)第一像素差值向量進(jìn)行編碼，使得到的第一二值特征向量具有稀疏(即大部分元素均為0)的性質(zhì)，可以通過調(diào)整投影矩陣的稀疏度，將人臉識(shí)別方法計(jì)算過程中需要調(diào)制參數(shù)的數(shù)量級(jí)調(diào)整為與訓(xùn)練數(shù)據(jù)復(fù)雜度相當(dāng)?shù)乃剑鉀Q了訓(xùn)練樣本中的數(shù)據(jù)過度擬合的問題。

對(duì)于步驟S103，在得到訓(xùn)練集的各像素點(diǎn)對(duì)應(yīng)的第一二值特征向量后，對(duì)訓(xùn)練集的所有像素點(diǎn)對(duì)應(yīng)的第一二值特征向量進(jìn)行聚類，得到多個(gè)聚類中心-單詞；本實(shí)施例中可以采用K-Means聚類方法或者SGONG聚類方法對(duì)訓(xùn)練集的所有像素點(diǎn)對(duì)應(yīng)的第一二值特征向量進(jìn)行學(xué)習(xí)，得到多個(gè)聚類中心-單詞，但并不限于上述兩種聚類方法。

對(duì)于步驟S104，在對(duì)訓(xùn)練集的所有像素點(diǎn)對(duì)應(yīng)的第一二值特征向量進(jìn)行聚類，得到多個(gè)單詞后，接著獲取第一向量，具體為，每個(gè)訓(xùn)練樣本具有多個(gè)像素點(diǎn)，每個(gè)像素點(diǎn)對(duì)應(yīng)一個(gè)第一二值特征向量，將一個(gè)訓(xùn)練樣本的各第一二值特征向量按照順序組成第一矩陣，接著，采用單詞對(duì)第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)第一線性重建結(jié)果得到第一向量；每一個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量。

將各訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用單詞對(duì)第一矩陣進(jìn)行線性重建，比起直接采用原始的第一矩陣表示具有更好的數(shù)據(jù)適應(yīng)性。

對(duì)于步驟S105，當(dāng)?shù)玫接?xùn)練集中每個(gè)訓(xùn)練樣本對(duì)應(yīng)的第一向量后，訓(xùn)練過程完成，開始人臉識(shí)別過程，采用上述獲取第一向量相同的方法獲取待檢測(cè)人臉的圖像對(duì)應(yīng)的第二向量，具體為：獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各第二二值特征向量組成第二矩陣，采用單詞對(duì)第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)第二線性重建結(jié)果得到第二向量。

在該步驟中，獲取第二二值特征向量的方法與獲取第一二值特征向量的方法相同。

對(duì)于步驟S106，在得到第一向量和第二向量后，便可以根據(jù)第一向量和第二向量，得到人臉識(shí)別結(jié)果，比如可采用分類器的方法：將第一向量和第二向量輸入分類器，使得分類器計(jì)算各第一向量和第二向量之間的歐式距離，獲取分類器返回的第二向量與各第一向量的歐式距離，將與第二向量的歐式距離最短的第一向量對(duì)應(yīng)的訓(xùn)練樣本所對(duì)應(yīng)的人臉圖像識(shí)別為待檢測(cè)人臉的圖像。

本實(shí)施例的基于稀疏投影二值編碼的人臉識(shí)別方法，包括獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量；其中，訓(xùn)練樣本為人臉圖像，訓(xùn)練集中包括多幅不同的人臉圖像；根據(jù)第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；對(duì)所有的第一二值特征向量進(jìn)行聚類，得到多個(gè)聚類中心-單詞；將各訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用單詞對(duì)第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量；獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各第二二值特征向量組成第二矩陣，采用單詞對(duì)第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)第二線性重建結(jié)果得到第二向量，根據(jù)第一向量和第二向量，得到人臉識(shí)別結(jié)果。本實(shí)施例的基于稀疏投影二值編碼的人臉識(shí)別方法采用采用稀疏投影矩陣對(duì)實(shí)值表示的像素差值向量進(jìn)行編碼得到二值特征向量，并對(duì)二值特征向量進(jìn)行聚類得到單詞，采用單詞線性重建每幅人臉圖像對(duì)應(yīng)的二值特征向量組成的矩陣，識(shí)別速度快，解決了訓(xùn)練樣本過度擬合的問題，且對(duì)數(shù)據(jù)的適應(yīng)性好，提高了人臉識(shí)別方法的識(shí)別人臉的準(zhǔn)確性和快速性。

下面對(duì)圖1所示方法實(shí)施例的技術(shù)方案進(jìn)行詳細(xì)說明。

首先對(duì)根據(jù)第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各像素點(diǎn)對(duì)應(yīng)的第一二值特征向量的方法進(jìn)行說明。

圖3為本發(fā)明實(shí)施例提供的基于稀疏投影二值編碼的人臉識(shí)別方法實(shí)施例二的流程圖，如圖3所示，本實(shí)施例的方法包括：

S301，引入第一目標(biāo)函數(shù)中的稀疏投影矩陣R的代理矩陣S，將第一目標(biāo)函數(shù)變換為第二目標(biāo)函數(shù)；

S302，對(duì)第二目標(biāo)函數(shù)進(jìn)行求解，得到第一二值特征向量。

對(duì)于步驟S301，引入R的代理矩陣S，S矩陣的大小和矩陣R相同，將第一目標(biāo)函數(shù)變換為第二目標(biāo)函數(shù)，第二目標(biāo)函數(shù)如公式四所示：

其中，變量α表示代理矩陣S的懲罰因子，用以平衡公式四中和這兩項(xiàng)的變量，|S|₀表示代理矩陣S中非0元素的個(gè)數(shù)，表示代理矩陣S與二值編碼B之間的量化誤差，表示代理矩陣S與R之間的誤差；其中代理矩陣S也為稀疏投影矩陣。

對(duì)于步驟S302，對(duì)第二目標(biāo)函數(shù)進(jìn)行求解，得到第一二值特征向量的方法，具體為：

將第二目標(biāo)函數(shù)中的S和B隨機(jī)賦予初始值S₀和B₀，并固定第二目標(biāo)函數(shù)中的S和B，更新第二目標(biāo)函數(shù)中的R，得到R₁，具體為：

將第二目標(biāo)函數(shù)改成寫第一表達(dá)式，第一表達(dá)式如公式五所示：

其中，C₁＝SX,為固定值；

求解第一表達(dá)式，得到R₁，具體為：

通過公式六或公式七得到R₁：

其中，thrm表示將得到的矩陣中的最大的m個(gè)元素保留，其余的元素置0；R^t+1表示利用公式六第(t+1)次迭代得到的解，R^t表示利用公式六上一次(即第(t)次)迭代的解，當(dāng)?shù)螖?shù)為N時(shí)，利用公式六得到的解收斂，停止迭代，此時(shí)得到的R^N＝R₁，其中R₁表示對(duì)第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的R；

R₁＝thrm(S) 公式七；

其中，R₁表示對(duì)第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的R。

將第二目標(biāo)函數(shù)中的B賦予初始值B₀，將第二目標(biāo)函數(shù)中的R賦為R₁，并固定第二目標(biāo)函數(shù)中的B和R，更新第二目標(biāo)函數(shù)中的S，得到S₁，具體為：

將第二目標(biāo)函數(shù)改成寫第二表達(dá)式，第二表達(dá)式如公式八所示：

其中，C₂＝(B+αRX)/(1+α)為固定值；

求解第二表達(dá)式，得到S₁，具體為：

通過公式九求解S₁：

對(duì)進(jìn)行奇異值分解得到U，V：S₁＝VU^T.......公式九；

其中，S₁表示對(duì)第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的S；

將第二目標(biāo)函數(shù)中的S賦為S₁，將第二目標(biāo)函數(shù)中的R賦為R₁，并固定第二目標(biāo)函數(shù)中的S和R，更新第二目標(biāo)函數(shù)中的B，得到B₁，具體為：

將第二目標(biāo)函數(shù)改成寫第三表達(dá)式，第三表達(dá)式如公式十所示：

其中，C₃＝SX,為固定值；

求解第三表達(dá)式，得到B₁，具體為：

通過公式十一得到B₁：

B＝sign(C₃)＝sign(SX) 公式十一；

其中，sign(*)為符號(hào)函數(shù)，將自變量*大于0時(shí)，sign(*)函數(shù)輸出1，否則，sign(*)函數(shù)輸出0，B₁表示對(duì)第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的B；自變量是指矩陣C₃中的元素。

將第二目標(biāo)函數(shù)中的S賦為S₁，將第二目標(biāo)函數(shù)中的B賦為和B₁，并固定第二目標(biāo)函數(shù)中的S和B，更新第二目標(biāo)函數(shù)中的R，得到R₂；

將第二目標(biāo)函數(shù)中的B賦為B₁，將第二目標(biāo)函數(shù)中的R賦為R₂，并固定第二目標(biāo)函數(shù)中的B和R，更新第二目標(biāo)函數(shù)中的S，得到S₂；

將第二目標(biāo)函數(shù)中的S賦為S₂，將第二目標(biāo)函數(shù)中的R賦為R₂，并固定第二目標(biāo)函數(shù)中的S和R，更新第二目標(biāo)函數(shù)中的B，得到B₂；

重復(fù)執(zhí)行將第二目標(biāo)函數(shù)中的S賦為S_m-1，將第二目標(biāo)函數(shù)中的B賦為和B_m-1，并固定第二目標(biāo)函數(shù)中的S和B，更新第二目標(biāo)函數(shù)中的R，得到R_m；將第二目標(biāo)函數(shù)中的B賦為B_m-1，將第二目標(biāo)函數(shù)中的R賦為R_m，并固定第二目標(biāo)函數(shù)中的B和R，更新第二目標(biāo)函數(shù)中的S，得到S_m；將第二目標(biāo)函數(shù)中的S賦為S_m，將第二目標(biāo)函數(shù)中的R賦為R_m，并固定第二目標(biāo)函數(shù)中的S和R，更新第二目標(biāo)函數(shù)中的B，得到B_m的操作，直至完成M次迭代，第M次迭代得到的B_M即為滿足第一目標(biāo)函數(shù)的各像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；其中，m代表第m次迭代，m、M均為正整數(shù)。

其中，M的取值可根據(jù)實(shí)際需要確定，本實(shí)施例中不作限定。

下面對(duì)上一實(shí)施例中的公式六、公式十一的推導(dǎo)過程進(jìn)行介紹。

首先對(duì)公式六的推導(dǎo)過程進(jìn)行說明；

對(duì)于表達(dá)式一的求解過程比較困難，引入第三目標(biāo)函數(shù)，第三目標(biāo)函數(shù)如公式十二所示：

其中，

根據(jù)F-范數(shù)的性質(zhì)，表達(dá)式是恒大于0的，因此，第三目標(biāo)函數(shù)的數(shù)值不會(huì)小于表達(dá)式一的數(shù)值，因此公式十二的最優(yōu)解仍然滿足表達(dá)式一；

采用迭代的求解第三目標(biāo)函數(shù)，即固定S更新R，將第三目標(biāo)函數(shù)變換為表達(dá)式四，表達(dá)四如公式十三所示：

其中，const表示不依賴R的常量；

表達(dá)式四的向量形式如下式所示：

其中，該式的解可以表示為其矩陣形式的解可以泛化為公式十四：

采用公式十四進(jìn)行迭代求解R,迭代公式即為公式六。

其次，對(duì)公式十一的推導(dǎo)過程進(jìn)行說明。

表達(dá)式二可展開為式一的形式：由于矩陣B是正交的，因此為一個(gè)常數(shù),因此，上式則進(jìn)一步簡(jiǎn)化為：

其中，n表示訓(xùn)練樣本的個(gè)數(shù)，c表示二值特征向量的維度，為了最大化上式，需要當(dāng)(C₃)_ij大于等于0時(shí)，讓B_ij＝1，當(dāng)(C₃)_ij小于0時(shí)，讓B_ij＝1，于是轉(zhuǎn)化成了對(duì)公式十一的求解。

其次，對(duì)上述實(shí)施例中的步驟“將各訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用單詞對(duì)第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)第一線性重建結(jié)果得到第一向量”進(jìn)行說明。

將各訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用單詞對(duì)第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)第一線性重建結(jié)果得到第一向量，包括：

采用單詞對(duì)第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，第一線性重建結(jié)果的表達(dá)式如公式二所示：

B_i＝a_i1S₁+a_i2S₂+...+a_ikS_k 公式二；

其中，B_i為第i個(gè)訓(xùn)練樣本的各第一二值特征向量組成的第一矩陣，S_k為第k個(gè)單詞，a_ik為在第i個(gè)訓(xùn)練樣本的對(duì)應(yīng)的所述第一矩陣采用單詞進(jìn)行線性重建時(shí)第k個(gè)單詞的權(quán)重；

將第一線性重建結(jié)果的表達(dá)式中的各單詞對(duì)應(yīng)的權(quán)重組成第一向量(a_i1，a_i2，……,a_ik)。

接著，對(duì)上述實(shí)施例中的步驟“獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各第二二值特征向量組成第二矩陣，采用單詞對(duì)第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)第二線性重建結(jié)果得到第二向量”進(jìn)行說明。

獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各第二二值特征向量組成第二矩陣，采用單詞對(duì)第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)第二線性重建結(jié)果得到第二向量，包括：

獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二像素差值向量，并根據(jù)第二像素差值向量獲取滿足第一目標(biāo)函數(shù)的待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量；

將各所述第二二值特征向量組成所述第二矩陣，并將所述第二矩陣采用所述單詞進(jìn)行線性重建，得到所述第二線性重建結(jié)構(gòu)，所述第二線性重建結(jié)果的表達(dá)式如公式三所示：

B_測(cè)試＝b₁S₁+b₂S₂+...+b_kS_k 公式三；

其中，B_測(cè)試為各所述第二二值特征向量組成的第二矩陣，S_k為第k個(gè)單詞，b_k為所述第二矩陣采用所述單詞進(jìn)行線性重建時(shí)第k個(gè)單詞的權(quán)重；

將所述第二線性重建結(jié)果的表達(dá)式中的各所述單詞對(duì)應(yīng)的權(quán)重組成所述第二向量(b₁，b₂，……,b_k)。

其中，獲取第二像素差值向量的方法與獲取第一像素差值的方法相同，具體為：

將待檢測(cè)人臉的圖像劃分為多個(gè)塊；

以每個(gè)塊中的每個(gè)像素點(diǎn)為第二中心像素點(diǎn)，以r為半徑，得到第二中心像素點(diǎn)的第二鄰域像素點(diǎn)，并按照順時(shí)針方向，將第二鄰域像素點(diǎn)的像素值與第二中心像素點(diǎn)的像素值進(jìn)行差值運(yùn)算，得到長(zhǎng)度為(2×r+1)×(2×r+1)-1維的第二像素差值向量；

獲取第二二值特征向量的方法與獲取第一二值特征向量的方法相同，此處不再贅述。

圖4為本發(fā)明提供的基于稀疏投影二值編碼的人臉識(shí)別裝置的結(jié)構(gòu)示意圖，如圖4所示，本實(shí)施例的裝置可以包括：計(jì)算單元401，聚類單元402，第一向量獲取單元403，第二向量獲取單元404，識(shí)別單元405。

計(jì)算單元401，用于獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量；其中，訓(xùn)練樣本為人臉圖像，訓(xùn)練集中包括多幅不同的人臉圖像；

計(jì)算單元401還用于根據(jù)第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；

聚類單元402，用于對(duì)所有的第一二值特征向量進(jìn)行聚類，得到多個(gè)聚類中心-單詞；

第一向量獲取單元403，用于將各訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用單詞對(duì)第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量；

第二向量獲取單元404，用于獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各第二二值特征向量組成第二矩陣，采用單詞對(duì)第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)第二線性重建結(jié)果得到第二向量；

識(shí)別單元405，用于根據(jù)第一向量和第二向量，得到人臉識(shí)別結(jié)果。

本實(shí)施例的裝置，可以用于執(zhí)行圖1所示方法實(shí)施例的技術(shù)方案，其實(shí)現(xiàn)原理和技術(shù)效果類似，此處不再贅述。

本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成。前述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。該程序在執(zhí)行時(shí)，執(zhí)行包括上述各方法實(shí)施例的步驟；而前述的存儲(chǔ)介質(zhì)包括：ROM、RAM、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

最后應(yīng)說明的是：以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。