本发明涉及图像处理技术领域，更具体地说，涉及一种人脸图像分类方法、系统、设备及计算机存储介质。
背景技术
随着科技的发展，人脸图像的分辨率越来越高，也就是说人脸数据的特征纬度越来越高，导致对人脸图像进行特征选择越来越困难；此外，现实生活中大量的人脸数据都是无标签数据，并且随着数据量的日益增大，数据标记的成本越来越高，通常能够获取的数据都只有少量的有标签样本，而大量的无标记样本往往没有得到很好的利用。
为了方便对人脸图像进行特征选择以及提高无标记样本的利用率，现有技术中采用半监督支持向量机的特征选择方法，如s3vm-pie、s3vm-podc以及s3vm-scad等，来对人脸图像进行分类。
然而，现有的人脸图像分类方法耗时较长，对人脸图像的分类效率较低。
综上所述，如何提高人脸图像分类方法的分类效率是目前本领域技术人员亟待解决的问题。
技术实现要素：
本发明的目的是提供一种人脸图像分类方法，其能在一定程度上解决如何提高人脸图像分类效率的技术问题。本发明还提供了一种人脸图像分类系统、设备及计算机可读存储介质。
为了实现上述目的，本发明提供如下技术方案：
一种人脸图像分类方法，包括：
获取人脸数据样本集；
基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量，以基于所述稀疏系数和偏移量对所述人脸数据样本集进行分类；
其中，所述二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；所述目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在所述分类函数中增加拉普拉斯正则参数得到的函数。
优选的，所述二次规划公式为：
所述约束条件为：
β+,β-≥0,ξi≥0,i＝1,...,l；
其中，x表示人脸数据样本集矩阵；t表示矩阵的转置；α表示稀疏系数，α＝α+-α-＝[α1,α2,...,αd]τ；β表示偏移量，β＝β+-β-；γa≥0，γi≥0；xi∈rd，yi是xi的标签，表明xi的类别，yi＝0表示xi为无标签样本，yi＝1表示xi为有标签的人脸数据，yi＝-1表示xi为有标签的非人脸数据；且l表示有标签样本的个数，d表示样本的维数；ξi表示松弛变量；δ为预先设定的参数；l表示所述拉普拉斯正则参数，l＝d-w，w表示相似性矩阵，d表示主对角矩阵；
优选的，所述基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量之后，还包括：
确定值不为零的所述稀疏系数为目标系数，确定所述目标系数对应的样本维数为目标维数；
基于所述目标维数对所述人脸数据样本集进行特征选择，得到特征人脸数据样本；
基于所述目标系数和所述偏移量对所述特征人脸数据样本进行分类，得到分类结果。
优选的，所述确定值不为零的所述稀疏系数为目标系数，确定所述目标系数对应的样本维数为目标维数，包括：
基于确定公式确定所述目标系数和所述目标维数；
所述确定公式为：f＝{j|αj≠0,j＝1,...,d}，
优选的，所述基于所述目标维数对所述人脸数据样本集进行特征选择，得到特征人脸数据样本，包括：
基于特征选择公式对所述人脸数据样本集进行特征选择，得到特征人脸数据样本；
所述特征选择公式为：
优选的，所述基于所述目标系数和所述偏移量对所述特征人脸数据样本进行分类，得到分类结果，包括：
基于分类公式对所述特征人脸数据样本进行分类，得到分类结果；
所述分类公式为：
一种人脸图像分类系统，包括：
获取模块，用于获取人脸数据样本集；
计算模块，用于基于预设的二次规划公式及其约束条件求解所述人脸数据样本集对应的稀疏系数和偏移量，以基于所述稀疏系数和偏移量对所述人脸数据样本集进行分类；
其中，所述二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；所述目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在所述分类函数中增加拉普拉斯正则参数得到的函数。
优选的，所述二次规划公式为：
所述约束条件为：
β+,β-≥0,ξi≥0,i＝1,...,l；
其中，x表示人脸数据样本集矩阵；t表示矩阵的转置；α表示稀疏系数，α＝α+-α-＝[α1,α2,...,αd]τ；β表示偏移量，β＝β+-β-；γa≥0，γi≥0；xi∈rd，yi是xi的标签，表明xi的类别，yi＝0表示xi为无标签样本，yi＝1表示xi为有标签的人脸数据，yi＝-1表示xi为有标签的非人脸数据；且l表示有标签样本的个数，d表示样本的维数；ξi表示松弛变量；δ为预先设定的参数；l表示所述拉普拉斯正则参数，l＝d-w，w表示相似性矩阵，d表示主对角矩阵；
一种人脸图像分类设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一所述的人脸图像分类方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述的人脸图像分类设备的方法。
本发明提供的一种人脸图像分类方法借助二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量，这里所说的二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件，这里所说的目标函数为将传统的支持向量机的分类函数中的二范数正常参数替换为一范数正则参数、并在分类函数中增加拉普拉斯正则参数得到的函数。实验证明，本发明提供的一种人脸图像分类方法的分类速度快，相比于现有技术的分类效率更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种人脸图像分类方法的流程图；
图2为本发明实施例提供的一种人脸图像分类系统的结构示意图；
图3为本发明实施例提供的一种人脸图像分类设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的一种人脸图像分类方法中各个步骤的动作执行主体可以为本发明实施例提供的一种人脸图像分类系统，而该系统可以内置于计算机、服务器等中，所以本发明实施例提供的一种人脸图像分类方法中各个步骤的动作执行主体还可以为内置了该系统的计算机、服务器等。为了描述方便，这里假设本发明实施例提供的一种人脸图像分类方法中各个步骤的动作执行主体为本发明实施例提供的一种人脸图像分类系统，简称为分类系统。
请参阅图1，图1为本发明实施例提供的一种人脸图像分类方法的流程图。
本发明实施例提供的一种人脸图像分类方法，可以包括以下步骤：
步骤s101：获取人脸数据样本集。
实际应用中，分类系统可以先获取人脸数据样本集，这里所说的人脸数据样本集指的是由人脸数据样本构成的样本集，人脸数据样本为跟人脸图像对应的样本。分类系统可以实时获取人脸数据样本集，也可以以预设时间间隔获取人脸数据样本集等；可以是接收外界输入的人脸数据样本集，也可以是从存储人脸数据样本集的存储器等中读取人脸数据样本集。
步骤s102：基于预设的二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量，以基于稀疏系数和偏移量对人脸数据样本集进行分类；
其中，二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在分类函数中增加拉普拉斯正则参数得到的函数。
分类系统在获取到人脸数据样本集后，便可基于预设的二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量，在得到稀疏系数和偏移量后便可基于稀疏系数和偏移量对人脸数据样本集进行分类。下面举例对稀疏系数和偏移量进行解释，假设变量y与变量x间满足：y＝ax+b；则a便为稀疏系数，b便为偏移量。
本发明提供的一种人脸图像分类方法借助二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量，这里所说的二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件，这里所说的目标函数为将传统的支持向量机的分类函数中的二范数正常参数替换为一范数正则参数、并在分类函数中增加拉普拉斯正则参数得到的函数。实验证明，本发明提供的一种人脸图像分类方法的分类速度快，相比于现有技术的分类效率更高。
本发明实施例提供的一种人脸图像分类方法中，二次规划公式可以为：
相应的，约束条件可以为：
β+,β-≥0,ξi≥0,i＝1,...,l；
其中，x表示人脸数据样本集矩阵；t表示矩阵的转置；α表示稀疏系数，α＝α+-α-＝[α1,α2,...,αd]τ；β表示偏移量，β＝β+-β-；γa≥0，γi≥0；xi∈rd，yi是xi的标签，表明xi的类别，yi＝0表示xi为无标签样本，yi＝1表示xi为有标签的人脸数据，yi＝-1表示xi为有标签的非人脸数据；且l表示有标签样本的个数，d表示样本的维数；ξi表示松弛变量；δ为预先设定的参数；l表示拉普拉斯正则参数，l＝d-w，w表示相似性矩阵，d表示主对角矩阵；
为了便于计算，提高本发明实施例提供的一种人脸图像分类方法的分类效率，本实施例中的二次规划公式及其约束条件可以如本实施例所示，二次规划公式及其约束条件中各个参数的代表意义也请参数本实施例中的相关描述。
本发明实施例提供的一种人脸图像分类方法中，基于预设的二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量之后，还可以包括：
确定值不为零的稀疏系数为目标系数，确定目标系数对应的样本维数为目标维数；
基于目标维数对人脸数据样本集进行特征选择，得到特征人脸数据样本；
基于目标系数和偏移量对特征人脸数据样本进行分类，得到分类结果。
本发明实施例提供的一种人脸图像分类方法中计算得到的稀疏系数是与人脸数据样本集的维数相关的系数，不同样本维数下的稀疏系数的值不一样，有的样本维数下的稀疏系数的值为零，这时这类稀疏系数便起不到对人脸数据样本集进行分类的作用，此外，该类样本维数对应的人脸数据样本集也为不包含特征的样本集，有鉴于此，本发明提供了一种基于稀疏系数和偏移量对人脸数据样本集进行分类的方法，具体请参阅本实施例的相关描述。
本发明实施例提供的一种人脸图像分类方法中，确定值不为零的稀疏系数为目标系数，确定目标系数对应的样本维数为目标维数，具体可以为：
基于确定公式确定目标系数和目标维数；
确定公式为：f＝{j|αj≠0,j＝1,...,d}，
为了提高确定目标系数和目标维数的效率，可以借助公式来确定目标系数和目标维数，具体过程请参阅本实施例的相关描述。
本发明实施例提供的一种人脸图像分类方法中，基于目标维数对人脸数据样本集进行特征选择，得到特征人脸数据样本，具体可以为：
基于特征选择公式对人脸数据样本集进行特征选择，得到特征人脸数据样本；
特征选择公式为：
为了提高得到特征人脸数据样本的效率，可以借助公式来得到特征人脸数据样本，具体过程请参阅本实施例的相关描述。
本发明实施例提供的一种人脸图像分类方法中，基于目标系数和偏移量对特征人脸数据样本进行分类，得到分类结果，具体可以为：
基于分类公式对特征人脸数据样本进行分类，得到分类结果；
分类公式为：
为了提高得到人脸数据样本集的分类结果的效率，可以借助公式来得到人脸数据样本集的分类结果，具体过程请参阅本实施例的相关描述。
实际应用中，可以对本发明实施例提供的人脸图像分类方法的分类效率进行测试，具体可以为：对cbcl人脸数据集进行测试，该数据集中包含6977个训练样本和24045个测试样本，样本的维数均为361，，其中测试样本中有2429个人脸数据和4548个非人脸数据；随机从训练样本中选取百分之十作为训练集，得到大小为698*361的训练样本矩阵，并随机选取训练集中百分之二十的样本作为有标签数据，其余作为无标签数据，则有标签训练数据的个数为139，无标签训练样本的个数为559；将所有的测试样本作为测试集；随机进行十次测试，将十次测试结果的平均值作为最终的测试结果。将本发明与现有的s3vm-scad算法和s3vm-podc算法进行比较，比较结果可参阅表1，经比较可以发现本发明提供的一种人脸图像分类方法的训练时间最短，分类效率较高。
表1在人脸图像上s3vm-scad，s3vm-podc和本发明的对比
本发明还提供了一种人脸图像分类系统，其具有本发明实施例提供的一种人脸图像分类方法具有的对应效果。请参阅图2，图2为本发明实施例提供的一种人脸图像分类系统的结构示意图。
本发明实施例提供的一种人脸图像分类系统，可以包括：
获取模块101，用于获取人脸数据样本集；
计算模块102，用于基于预设的二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量，以基于稀疏系数和偏移量对人脸数据样本集进行分类；
其中，二次规划公式及其约束条件为将目标函数转化成二次规划形式得到的公式及条件；目标函数为将传统的支持向量机的分类函数中的二范数正则参数替换为一范数正则参数，并在分类函数中增加拉普拉斯正则参数得到的函数。
本发明实施例提供的一种人脸图像分类系统中，二次规划公式可以为：
相应的，约束条件为：
β+,β-≥0,ξi≥0,i＝1,...,l；
其中，x表示人脸数据样本集矩阵；t表示矩阵的转置；α表示稀疏系数，α＝α+-α-＝[α1,α2,...,αd]τ；β表示偏移量，β＝β+-β-；γa≥0，γi≥0；xi∈rd，yi是xi的标签，表明xi的类别，yi＝0表示xi为无标签样本，yi＝1表示xi为有标签的人脸数据，yi＝-1表示xi为有标签的非人脸数据；且l表示有标签样本的个数，d表示样本的维数；ξi表示松弛变量；δ为预先设定的参数；l表示拉普拉斯正则参数，l＝d-w，w表示相似性矩阵，d表示主对角矩阵；
本发明实施例提供的一种人脸图像分类系统中，还可以包括：
确定模块，用于在计算模块基于预设的二次规划公式及其约束条件求解人脸数据样本集对应的稀疏系数和偏移量之后，确定值不为零的稀疏系数为目标系数，确定目标系数对应的样本维数为目标维数；
特征选择模块，用于基于目标维数对人脸数据样本集进行特征选择，得到特征人脸数据样本；
分类模块，用于基于目标系数和偏移量对特征人脸数据样本进行分类，得到分类结果。
本发明实施例提供的一种人脸图像分类系统中，确定模块可以包括：
确定单元，用于基于确定公式确定目标系数和目标维数；
确定公式为：f＝{j|αj≠0,j＝1,...,d}，
本发明实施例提供的一种人脸图像分类系统中，特征选择模块可以包括：
特征选择单元，用于基于特征选择公式对人脸数据样本集进行特征选择，得到特征人脸数据样本；
特征选择公式为：
本发明实施例提供的一种人脸图像分类系统中，分类模块可以包括：
分类单元，用于基于分类公式对特征人脸数据样本进行分类，得到分类结果；
分类公式为：
本发明还提供了一种人脸图像分类设备及计算机可读存储介质，其均具有本发明实施例提供的一种人脸图像分类方法具有的对应效果。请参阅图3，图3为本发明实施例提供的一种人脸图像分类设备的结构示意图。
本发明实施例提供的一种人脸图像分类设备，可以包括：
存储器201，用于存储计算机程序；
处理器202，用于执行计算机程序时实现如上任一实施例所描述的人脸图像分类方法的步骤。
本发明实施例提供的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例所描述的人脸图像分类设备的方法。
本发明实施例提供的一种人脸图像分类系统、设备及计算机可读存储介质中相关部分的说明请参见本发明实施例提供的一种人脸图像分类方法中对应部分的详细说明，在此不再赘述。另外，本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。