[发明专利]一种基于结构化分析字典的人脸识别方法、装置及设备

说明书

本发明实施例公开了一种基于结构化分析字典的人脸识别方法、装置、设备及计算机存储介质。其中，方法包括将人脸训练样本集和人脸测试样本集输入人脸识别模型中，并对人脸识别模型进行参数初始化，人脸识别模型包括多个子分类器，每个子分类器对应人脸训练样本集中的一个类别；对人脸训练样本集中包含的每一类别的数据集进行结构化字典学习，得到各类别数据集的子字典和相对应的子稀疏编码；对各类别数据集的子稀疏编码进行近似分析，得到各子稀疏编码的子投影；根据各子投影及人脸训练样本集训练人脸识别模型中的各子分类器；利用人脸识别模型中的各子分类器对人脸测试样本集进行分类识别。本申请的技术方案有效的提升了人脸识别的效率和准确度。

技术领域

本发明实施例涉及计算机视觉和图像识别技术领域，特别是涉及一种基于结构化分析字典的人脸识别方法、装置、设备及计算机存储介质。

背景技术

随着计算机技术和智能化的不断发展，人脸识别已经发展成为计算机视觉与模式识别中非常重要的一个研究课题。人脸识别通过计算机将人脸图像电子化，然后分析人脸图像定位人脸，获取人脸的面部特征，在门禁系统、摄像监视系统和智能手机等领域有着重大的意义，一旦研究成功并投入应用，将会产生巨大的社会和经济效益。

但是，人脸识别的过程具有一定难度，现有的基于字典学习的人脸识别方法在训练和识别过程中耗时巨大，不利于具体应用的投入。目前大多数字典学习都使用l₀/l₁范数进行稀疏编码时的约束，虽然取得了一定的成果，但是耗时巨大。真实世界中的图像(包括人脸图像)不仅仅只是图像重建，且采集的图像通常包含破坏、丢失数据，或设备或光线问题造成的图像差异，因此在考虑字典学习的同时，如何有效排除干扰，训练出具有很强辨别能力和快速识别能力的分类器是值得探讨和深入的问题。

近年来，一个最具代表性的字典学习重建数据方法KSVD可对原始数据进行较为准确的复原。当数据有噪声时，KSVD可以很大程度地恢复数据，但它本质上是一种数据重建的线性方法，能够对非稀疏的数据重建，但是不能对数字图像进行识别和分类。为了克服此缺点，KSVD的推广D-KSVD被提出。IRPCA目标是基于字典学习和稀疏编码训练一个由判别能力的分类器，但在判别过程中并没有考虑不同类别之间相关性的处理问题。同时LC-KSVD考虑标签的约束来增强判别能力，FDDL算法考虑使用结构化字典来进一步提高判别能力。上面的这些方法虽然有不错的效果，但是没有考虑不同的类别数据间的关系，导致人脸识别的准确率不高。

因此，如何得到具有强判别能力的分类器，缩短识别的时间与识别的准确度，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一种基于结构化分析字典的人脸识别方法、装置、设备及计算机存储介质，缩短了人脸识别的时间，有效的提升人脸图像表示和识别效率和准确度。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种基于结构化分析字典的人脸识别方法，包括：

将人脸训练样本集和人脸测试样本集输入预先构建的人脸识别模型中，并对所述人脸识别模型进行参数初始化，所述人脸训练样本集包括第一预设个数的类别标签样本图像和第二预设个数的无标签样本图像，所述人脸识别模型包括多个子分类器，每个子分类器对应所述人脸训练样本集中的一个类别；

对所述人脸训练样本集中包含的每一类别的数据集进行结构化字典学习，以得到各类别数据集的子字典和相对应的子稀疏编码；结构化字典学习的过程为通过最小化样本重建误差项和解析的非相干性增强项；对各类别数据集的子稀疏编码进行近似分析，得到各子稀疏编码的子投影；

根据各子投影及所述人脸训练样本集训练所述人脸识别模型中的各子分类器；

利用所述人脸识别模型中的各子分类器对所述人脸测试样本集进行分类，输出所述人脸测试样本集的所属类别标签。