1.一種基于稀疏投影二值編碼的人臉識(shí)別方法,其特征在于,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(lèi),得到多個(gè)聚類(lèi)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。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,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。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,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:
Bi=ai1S1+ai2S2+...+aikSk 公式二;
其中,Bi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,Sk為第k個(gè)單詞,aik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(ai1,ai2,……,aik)。
4.根據(jù)權(quán)利要求3所述的方法,其特征在于,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+...+bkSk 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,Sk為第k個(gè)單詞,bk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,……,bk)。
5.根據(jù)權(quán)利要求1所述的方法,其特征在于,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(lèi)器;
獲取所述分類(lèi)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。
6.根據(jù)權(quán)利要求4所述的方法,其特征在于,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,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?lè)较颍瑢⑺龅谝秽徲蛳袼攸c(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?lè)较?,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)。
7.根據(jù)權(quán)利要求2所述的方法,其特征在于,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,S0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。
8.根據(jù)權(quán)利要求7所述的方法,其特征在于,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(xiě)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(guò)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;Rt+1表示利用公式六第(t+1)次迭代得到的解,Rt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RN=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(xiě)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(guò)公式九求解S1:
對(duì)進(jìn)行奇異值分解得到U,V:
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(xiě)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(guò)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)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Sm-1,將所述第二目標(biāo)函數(shù)中的B賦為和Bm-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Rm;將所述第二目標(biāo)函數(shù)中的B賦為Bm-1,將所述第二目標(biāo)函數(shù)中的R賦為Rm,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Sm;將所述第二目標(biāo)函數(shù)中的S賦為Sm,將所述第二目標(biāo)函數(shù)中的R賦為Rm,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Bm的操作,直至完成M次迭代,第M次迭代得到的BM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)。
9.一種基于稀疏投影二值編碼的人臉識(shí)別裝置,其特征在于,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(lèi)單元,所述聚類(lèi)單元對(duì)所有的所述第一二值特征向量進(jìn)行聚類(lèi),得到多個(gè)聚類(lèi)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。