[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，得到待识别样本集矩阵；采用新迭代稀疏凸非负矩阵分解法对所述待识别样本集矩阵进行处理，求出所述待识别样本集的最优基矩阵的系数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。本发明采用新迭代规则进行迭代优化并在迭代的过程中对基矩阵的系数矩阵进行稀疏化，从而迭代求解出待识别样本集的最优基矩阵的系数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。直接用非负矩阵分解(NMF)方法进行人脸特征提取，由于基矩阵的系数矩阵没有被优化和稀疏，导致人脸识别率不高；CNMF是NMF的推广，可使得数据更有解释性，可一定程度上提高人脸识别率。CNMF是由半非负矩阵分解(Semi-NMF)衍变而来，在Semi-NMF中，X＝FG^T，F和X是没有约束的，只要求G非负，Ding等人把矩阵F替换成原始矩阵X的非负凸组合，即F＝XW，进而得到一种新的分解形式X＝XWG^T，其中F和G被约束成非负矩阵，X没有约束，进而提出了CNMF数学模型。很明显这种分解形式拓展了NMF的应用范围，使数据更有解释性。在CNMF，G是系数矩阵，F是基矩阵，因为F＝XW，所以W是基矩阵F的系数矩阵。

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CNMF分解方法均采用的是传统的乘性迭代规则，导致基矩阵的系数矩阵不够优化，识别率不高；同时，现有CNMF没有对基矩阵的系数矩阵进行阈值稀疏化，使得特征系数过于分散，导致识别率不高，且未采用阈值稀疏化的基矩阵的系数矩阵的计算较为复杂，运算量过大，速度过慢，且随着K的增加，CNMF方法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CNMF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，得到待识别样本集矩阵；采用新迭代稀疏凸非负矩阵分解法对所述待识别样本集矩阵进行处理，求出所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵，所述待识别样本集的最优基矩阵的系数矩阵和最优系数矩阵采用如下迭代公式迭代产生：