[发明专利]一种人脸识别方法、装置、设备及计算机可读存储介质

说明书

本发明实施例公开了一种人脸识别方法、装置、设备及计算机可读存储介质。其中，方法包括利用可变模态分解算法对待识别人脸图像进行分解，得到多个子图像；对各子图像进行PCA特征提取，根据预设权重值对各子图像PCA特征进行加权组合，得到待识别人脸图像的人脸特征；将人脸特征输入预先构建的SVM模型中，根据SVM模型的最优分类超平面确定待识别人脸图像的识别结果；SVM模型的最优惩罚参数与核参数根据利用差分进化算法改进的灰狼优化算法所得。本申请提供的技术方案提取了准确性高、精度高的人脸特征信息，且利用改进的灰狼优化算法优化SVM模型中的核参数与惩罚系数，从而提升了人脸识别的准确度。

技术领域

本发明实施例涉及图像处理技术领域，特别是涉及一种人脸识别方法、装置、设备及计算机可读存储介质。

背景技术

随着计算机技术与图像处理技术的飞跃发展，由于人脸与人体的其它生物特征(例如指纹、虹膜等)一样与生俱来，它的唯一性和不易复制等良好特性为身份鉴别提供了必要的前提，故其在公共安全领域得到了广泛的应用。人脸识别技术为一种利用分析比较人脸视觉特征信息，以进行身份鉴别的计算机技术。

人脸识别是用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测并跟踪人脸，进而对检测到的人脸的相关特征信息进行提取，然后根据相关特征信息进行识别，以此实现身份的鉴别。各类人脸识别的关键在于提取人脸数据中与身份相关的本质特征，减弱甚至消除与身份不相关的信息，例如环境光照、姿势、表情以及饰物。

人脸识别一般可通过将静态图像或视频图像中检测出的人脸图像(人脸特征)与数据库中的人脸图像(人脸特征)进行对比，从中找出与之匹配的人脸，以实现身份识别与鉴定的目的。从当前待检测人脸的图像中提取相应的特征直接影响后期人脸识别的准确性，可见，提取准确的人脸特征是人脸识别技术中至关重要的一环。

针对人脸图像信号的非平稳性和非线性特性，通常可采用信号分解方法有效减弱信号的非平稳程度，从而提高识别精度。现有技术一般采用经验模态分解法对人脸识别技术中的人脸特征信号进行分解。尽管经验模态分解方法可实现对非线性、非平稳信号进行平稳化处理，但是，经验模态分解方法缺乏严格的数学基础、算法效率低、存在模态混叠、抗噪性差以及端点效应问题。由于经验模态分解方法的这些劣势，导致由其分解得到的一系列分量再重新构建识别模型后，仍然存在很大的预测误差。

因此，如何提高人脸识别的准确度，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供人脸识别方法、装置、设备及计算机可读存储介质，以提高人脸识别的准确度。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例提供了一种人脸识别方法，包括：

利用可变模态分解算法对待识别人脸图像进行分解，得到所述待识别人脸图像的多个子图像；

对各子图像进行PCA特征提取，根据预设权重值对各子图像PCA特征进行加权组合，得到所述待识别人脸图像的人脸特征，所述权重值随着相应子图像包含的人脸信息量的增多而增大；

将所述人脸特征输入预先构建的SVM模型中，根据所述SVM模型的最优分类超平面确定所述待识别人脸图像的识别结果；所述SVM模型的最优惩罚参数与核参数根据预设算法迭代所得，所述预设算法为利用差分进化算法改进的灰狼优化算法。

可选的，所述利用可变模态分解算法对待识别人脸图像进行分解，得到所述待识别人脸图像的多个子图像包括：

利用Hilbert变换，计算得到各子图像模态信号u_k对应的解析信号，以计算各子图像的单侧频谱；

通过对各子图像的解析信号对应的中心频率ω_k的指数项混叠，将各子图像模态信号u_k的频谱变换至基频带；