申请/专利权人：北京计算机技术及应用研究所

申请日：2021-11-15

公开（公告）日：2024-04-09

公开（公告）号：CN114049668B

主分类号：G06V40/16

分类号：G06V40/16;G06V10/772;G06V10/77;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.03.04#实质审查的生效;2022.02.15#公开

摘要：本发明涉及一种人脸识别方法，属于图像识别领域。本发明首先，使用数据驱动的字典表示测试样本，字典里面的基本元素是训练样本。然后，由于遮挡只涉及图像像素的一部分，因而在标准像素空间基中是稀疏的。当遮挡具有稀疏表示时，就可以用经典的稀疏表示框架统一处理。之后，从稀疏最优化中找到这种表示方式。最后，通过与测试样本的距离找到未知样本的分类。寻找最稀疏的表达方式也就是在训练样本中自动辨析不同的分类，从而得到未知样本的类别。本发明将稀疏表示的方法应用在人脸识别领域可以为该领域增加新的见解。本发明在人脸图像存在遮挡的情况下，采用稀疏表示的方法进行人脸识别，提高识别准确率。

主权项：1.一种人脸识别方法，其特征在于，该方法包括如下步骤：步骤一统一人脸图像的尺寸令所有图像的大小一样；图像用列向量s表示，由于尺寸相同，因而所有图像的维度是一样的，设为m，即s∈Rm；假设样本共分为k类，第i类样本的样本数量为ni，所有样本数为n，则n＝n1+n2+…+nk，令矩阵表示第i类训练样本的集合，测试样本用y表示；步骤二训练样本按顺序排列组成训练矩阵M，若未知样本y的类别是i，当训练样本集合Mi足够大时，y可用Mi内的向量的线性组合近似表示，即： 其中ai∈R，i＝1，…，ni；由于现实场景下i不可能提前知晓，因而令则当样本足够充足时，y会被M内的向量线性表示；步骤三归一化训练矩阵M的列向量的L2范数对训练矩阵M，令M中的所有列向量L2范数归一化；步骤四测试样本建模增加人脸区域的权重，采用开源的openface算法，获取y的人脸定位，以此为基准，对测试样本和训练样本的相应位置权重进行微调，即：ωy＝ωMx+e3其中，e∈Rm是误差向量，ω∈Rm×m是权重矩阵，x表示y落在每一类别图像的情况，是ai的未知变量形式；步骤五求最稀疏解理想状况下，y只在所属类别下参数非零；在存在遮挡情况下，非零参数也出现在其它类别下，因而对满足3式的解，求最稀疏的解以尽最大可能接近理想状况，即： 其中，x和e满足3式，L1范数||·||1的计算方式为argmin表示求最小值；步骤六计算所得解在每个类别下与测试样本的距离为判断y的类别，对第i类，1ik，只取x′落在这一类别的对应参数，然后计算这一类别下与y的距离；步骤七取距离最短的类别为测试样本所属类别令距离数值最小的值对应的类别为y所属类别；其中，求解步骤如下：S51、A＝[ωM，I]∈Rm×n+m，S52、随机选择z0∈Rn+m，λ0∈Rm，μ0∈R且μ0≠0，根据具体问题设定μmax∈R和迭代次数T；S53、对t＝0，…，T-1 λt+1←λt+μtAzt+1-ωyμt+1←min{1.25μt，μmax}S54、返回

全文数据：

权利要求：

百度查询： 北京计算机技术及应用研究所 一种人脸识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD