[发明专利]基于softmax的人脸识别方法

说明书

技术领域

本发明涉及人脸识别技术。

背景技术

人脸识别技术的应用范围越来越广，并且有部分产品已进入到人们的日常生活中，但是在一些特定的应用场合，其识别精度和速度还远远满足不了实际环境中的应用。现阶段越来越多的学者、研究机构及企业投入到深度学习的研究中，深度学习在语音识别、图像分类等领域得到了很好的应用，在人脸识别领域也不甘示弱，近两年不断有相关文献发表，刷新传统人脸识别算法的识别率，但是采用深度学习提取人脸图像特征运算量大，耗时长，不能满足实时的要求。

发明内容

本发明的目的是要解决目前深度学习提取人脸图像特征运算量大、耗时长的问题，提供了一种基于softmax的人脸识别方法。

本发明解决其技术问题，采用的技术方案是，基于softmax的人脸识别方法，其特征在于，包括以下步骤：

步骤1、选取N个人的若干人脸图像作为测试样本，提取其高维人脸特征，创建高维矩阵，N为正整数；

步骤2、采用softmax算法，对得到的高维矩阵训练对应的特征投影矩阵，对其降维；

步骤3、人脸识别时，分别对待测试人脸图像及测试样本利用特征投影矩阵进行投影；

步骤4、将得到的待测试人脸图像的投影与测试样本的投影采用距离判别法进行判别，得到人脸识别结果。

具体的，步骤1中，所述提取高维人脸特征的方式为通过high-LBP算法或深度学习算法进行高维人脸特征的提取。

进一步的，步骤1中，所述选取N个人的若干人脸图像作为测试样本，提取其高维人脸特征，创建高维矩阵是指：选取N个人的总共M个人脸图像作为测试样本，提取其高维人脸特征，设提取的特征维数为P，则所创建的高维矩阵为M×P，M为正整数，P为正整数。

具体的，步骤2中，所述采用softmax算法，对得到的高维矩阵训练对应的特征投影矩阵，对其降维的方法为：采用softmax算法对高维矩阵M×P进行处理，得到N×P的特征投影矩阵。

再进一步的，步骤4中，所述距离判别法为欧式距离判别法。

具体的，步骤1中，在提取高维人脸特征之前，还对测试样本中的所有人脸图像进行预处理；

步骤3之前，还对待测试人脸图像进行预处理。

再进一步的，所述预处理包括修改图像大小、对图像进行矫正及光照预处理。

本发明的有益效果是，在本发明方案中，通过上述基于softmax的人脸识别方法，可对利用high-LBP及深度学习算法等得到的高维人脸特征进行降维，从而在判定识别人脸图像时减少运算量及耗时时长，从而实现实时人脸识别，且并不会因此而降低识别精度。

具体实施方式

下面结合实施例，详细描述本发明的技术方案。

本发明所述基于softmax的人脸识别方法为：首先选取N个人的若干人脸图像作为测试样本，提取其高维人脸特征，创建高维矩阵，N为正整数，再采用softmax算法，对得到的高维矩阵训练对应的特征投影矩阵，对其降维，在人脸识别时，分别对待测试人脸图像及测试样本利用特征投影矩阵进行投影，最后将得到的待测试人脸图像的投影与测试样本的投影采用距离判别法进行判别，得到人脸识别结果。

实施例

本发明实施例的基于softmax的人脸识别方法，其包括以下步骤：

步骤1、选取N个人的若干人脸图像作为测试样本，提取其高维人脸特征，创建高维矩阵，N为正整数。

本步骤中，提取高维人脸特征的方式为通过high-LBP算法或深度学习算法等现有算法进行高维人脸特征的提取。

则选取N个人的若干人脸图像作为测试样本，提取其高维人脸特征，创建高维矩阵可以具体为：选取N个人的总共M个人脸图像作为测试样本，提取其高维人脸特征，设提取的特征维数为P，则所创建的高维矩阵为M×P，M为正整数，P为正整数。

在提取高维人脸特征之前，还可对测试样本中的所有人脸图像进行预处理，以提高后续识别精度。

步骤2、采用softmax算法，对得到的高维矩阵训练对应的特征投影矩阵，对其降维。

若步骤1中，选取N个人的若干人脸图像作为测试样本，提取其高维人脸特征，创建高维矩阵具体为：选取N个人的总共M个人脸图像作为测试样本，提取其高维人脸特征，设提取的特征维数为P，则所创建的高维矩阵为M×P，M为正整数，P为正整数。