[发明专利]人脸识别方法和装置

说明书

本发明公开了一种人脸识别方法和装置，属于生物识别领域。所述方法包括：对待识别样本集进行预处理，得到待识别样本集的非负矩阵；采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行处理，求出所述待识别样本集的最优基矩阵和最优系数矩阵；采用训练好的分类器对所述待识别样本集的最优系数矩阵进行分类，完成人脸识别。本发明采用新加性迭代规则进行迭代优化求解待识别样本集的最优基矩阵和最优系数矩阵，提高了识别率，减少了运算量，使得最终该人脸识别方法具有较高的识别率和较短的运算时间。

技术领域

本发明涉及生物识别领域，特别涉及一种人脸识别方法和装置。

背景技术

人脸识别是一种新兴的生物识别技术，由于在应用方面具有非接触性、友好、使用方便、直观等优点，使其在罪犯识别、证件验证及医学等领域有着广泛的应用前景和巨大的市场潜力。

目前常见的人脸识别技术可分为几类：基于几何特征的识别技术、基于数学模型的识别技术、基于子空间分析的识别技术等。基于子空间分析的识别技术是当前人脸识别中的主流方法之一，它的基本思想是通过一个映射将高维空间中的人脸图像投影到一个低维子空间中，在这个低维子空间中对特征系数进行分类识别。传统的子空间分析法一般采用主成分分析(Principal Components Analysis，PCA)、稀疏非负矩阵分解(Sparse Non-negative Matrix Factorization，SNMF)、凸非负矩阵分解(Convex NMF，CNMF)等特征降维方法。

非负矩阵分解是在矩阵的所有元素均非负的条件下实现矩阵的分解。图像灰度值的非负性使得非负矩阵分解较无限制的主成分分析更具有可解释性。直接用NMF进行人脸特征提取，由于基矩阵没有被优化和稀疏，导致人脸识别率不高；SNMF通过对NMF计算得到的基矩阵进行稀疏，可一定程度上提高人脸识别率。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

现有SNMF分解方法均采用的是乘性迭代规则，导致基矩阵不够优化，识别率不高；现有SNMF虽然能够在NMF的基础上提高人脸识别率，但识别率较高的SNMF方法，其运算量过大，速度过慢；而运算量小速度快的SNMF方法，其人脸识别率仍然不高，最高仅达到89％，而且随着R的增大，识别率反而是降低的，不利于后期人脸图像的重建。

发明内容

为了解决现有技术中SNMF的人脸识别率不高、运算量大、不利于图像重建等问题，本发明实施例提供了一种人脸识别方法和装置。所述技术方案如下：

第一方面，本发明实施例提供了一种人脸识别方法，所述方法包括：对待识别样本集进行预处理，得到待识别样本集的非负矩阵；采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行处理，求出所述待识别样本集的最优基矩阵和最优系数矩阵，所述待识别样本集的最优基矩阵和最优系数矩阵采用如下迭代公式迭代产生：

其中，S为所述待识别样本集的非负矩阵，大小为I×J，I、J均为正整数，I为所述待识别样本集中每个样本的低频特征维度，J为所述待识别样本集的样本数量；P'表示第n次迭代得到的基矩阵，P表示第n+1次迭代得到的基矩阵，P'和P大小均为I×R，R表示P的特征维度，R为正整数且I≥R；Q'表示第n次迭代得到的系数矩阵，Q表示第n+1次迭代得到的系数矩阵，Q'和Q大小均为R×J；P′^T为P'的转置矩阵，Q′^T为Q'的转置矩阵；P_ir为P的第i行第r列的元素，Q_rj为Q的第r行第j列的元素，P′_ir为P'的第i行第r列的元素，Q′_rj为Q'的第r行第j列的元素，i、r、j和n均为正整数，且i≤I，r≤R，j≤J；当J(P,Q)的值最小时，P为最优基矩阵，Q为最优系数矩阵，

采用训练好的分类器对所述待识别样本集的最优系数矩阵进行分类，完成人脸识别。