[发明专利]一种基于SVM分类的人脸识别方法及装置

说明书

本申请公开了一种基于SVM分类的人脸识别方法及装置，其特征在于，包括：首先，由预置特征提取网络提取预置人脸数据集的面部特征，得到由面部特征向量构成的面部特征向量集；其次，将所述面部特征向量集划分为训练特征向量集和测试特征向量集；然后用所述训练特征向量集对基于LP范数的SVM分类器进行训练，得到训练完成的SVM分类器；最后，将所述测试特征向量集输入所述训练完成的SVM分类器中进行测试，得到测试结果。本申请解决了神经网络的人脸识别方法在对带有复杂噪声的人脸图像进行识别时，鲁棒性较差的技术问题。

技术领域

本申请涉及人脸识别技术领域，尤其涉及一种基于SVM分类的人脸识别方法及装置。

背景技术

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，广泛地应用于安防监控、门禁考勤等需要进行身份验证的领域。

人脸识别系统成功的关键在于是否拥有高效的核心算法，神经网络在图像识别领域迅速的发展逐渐取代了传统的人脸识别算法。相较于传统算法，神经网络对人脸图像端到端的处理，减少了人工提取图像特征的工作，加快了识别过程，采用不断学习的方法能够对不同质量的图像进行自适应的识别，但是目前基于神经网络的人脸识别方法在对带有复杂噪声的人脸图像进行识别时，鲁棒性较差。

发明内容

本申请提供了一种基于SVM分类的人脸识别方法及装置，用于解决神经网络的人脸识别方法在对带有复杂噪声的人脸图像进行识别时，鲁棒性较差的技术问题。

有鉴于此，本申请第一方面提供了一种基于SVM分类的人脸识别方法，包括：

由预置特征提取网络提取预置人脸数据集的面部特征，得到由面部特征向量构成的面部特征向量集；

将所述面部特征向量集划分为训练特征向量集和测试特征向量集；

用所述训练特征向量集对基于LP范数的SVM分类器进行训练，得到训练完成的SVM分类器；

将所述测试特征向量集输入所述训练完成的SVM分类器中进行测试，得到测试结果。

优选地，所述预置特征提取网络为DeepID网络。

优选地，所述由预置特征提取网络提取预置人脸数据集的面部特征，得到由面部特征向量构成的面部特征向量集，之前还包括：

提取人脸图像上的多个特征点，得到人脸特征点图；

将所述人脸特征点图先后进行基于多尺度和灰度化的增强处理，得到增强处理后的人脸特征点图；

将所述增强后的人脸特征点图作翻转处理，得到预置人脸数据集。

优选地，所述由预置特征提取网络提取预置人脸数据集的面部特征，得到由面部特征向量构成的面部特征向量集，还包括：

采用PCA对所述面部特征向量进行降维处理。

优选地，所述用所述训练特征向量集训练基于LP范数的SVM分类器，得到训练完成的SVM分类器，包括：

构建基于LP范数的单边损失函数；

根据所述单边损失函数获取SVM分类器的目标函数，构建基于LP范数的SVM分类器。

优选地，所述将所述测试特征向量集输入训练完成的SVM分类器中进行测试，得到测试结果，还包括：

统计所述测试结果中的正确样本个数，将所述正确样本个数与测试样本总数的比值作为测试结果的准确率。

本申请第二方面提供了一种基于SVM分类的人脸识别装置，包括：

所述特征提取模块，由预置特征提取网络提取预置人脸数据集的面部特征，得到由面部特征向量构成的面部特征向量集；