人脸模型矩阵训练方法和装置与流程
本发明涉及计算机技术领域，特别涉及一种人脸模型矩阵训练方法和装置。
背景技术：
人脸识别技术通常包括两个步骤。第一，对目标人脸图像进行特征提取；第二，对提取到的特征与参考人脸图像中的特征进行相似度计算。
在计算相似度之前终端需要先根据人脸图像库中的各个人脸图像计算人脸模型矩阵，进而根据计算到的人脸模型矩阵计算提取到的特征与参考人脸图像中的特征的相似度。现有技术中，终端需要同时对人脸图像库中的所有人脸图像进行计算，并根据计算结果训练得到人脸模型矩阵。
发明人在实现本发明的过程中，发现现有技术至少存在以下问题：终端需要同时加载人脸图像库中的所有人脸图像至内存，耗用了大量的内存空间。
技术实现要素：
为了解决现有技术中存在的问题，本发明实施例提供了一种人脸模型矩阵训练方法和装置。所述技术方案如下：
第一方面，提供了一种人脸模型矩阵训练方法，包括：
获取人脸图像库，所述人脸图像库包括k组人脸图像，每组人脸图像包括至少一个人的至少一张人脸图像，k>2；
对所述k组人脸图像中的每一组人脸图像分别进行解析，根据解析结果计算第一矩阵和第二矩阵，所述第二矩阵为所述k组人脸图像的人脸特征的组间协方差矩阵；
根据所述第一矩阵和所述第二矩阵，训练人脸模型矩阵。
第二方面，提供了一种人脸模型矩阵训练装置，包括：
图像获取模块，用于获取人脸图像库，所述人脸图像库包括k组人脸图像，每组人脸图像包括至少一个人的至少一张人脸图像，k>2；
矩阵计算模块，用于对所述k组人脸图像中的每一组人脸图像分别进行解析，根据解析结果计算第一矩阵和第二矩阵；所述第一矩阵为每组人脸图像的人脸特征的组内协方差矩阵，所述第二矩阵为所述k组人脸图像的人脸特征的组间协方差矩阵；
矩阵训练模块，用于根据所述矩阵计算模块计算得到的所述第一矩阵和所述第二矩阵，训练人脸模型矩阵。
本发明实施例提供的技术方案的有益效果是：
通过将人脸图像库中的人脸图像分成k个分组，每次只加载一个分组中的人脸图像至内存并进行解析，之后根据各个解析结果计算第一矩阵和第二矩阵，并根据第一矩阵和第二矩阵训练人脸模型矩阵；避免了现有技术中终端同时加载人脸图像库中的所有人脸图像至内存时占用内存较大的问题，达到了可以每次只加载一个分组中的人脸图像至内存，进而降低训练过程中所需占用的内存的效果。同时，由于每次只需要对一个分组中的人脸图像进行解析，这也一定程度上降低了终端的计算复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明各个实施例提供的人脸模型矩阵训练方法所涉及的服务器的框图；
图2是本发明一个实施例提供的人脸模型矩阵训练方法的方法流程图；
图3是本发明另一个实施例提供的人脸模型矩阵训练方法的方法流程图；
图4是本发明一个实施例提供的人脸模型矩阵训练装置的结构方框图；
图5是本发明另一个实施例提供的人脸模型矩阵训练装置的结构方框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。
本发明各个实施例所涉及的人脸模型矩阵训练方法可以用于服务器100中。具体的，请参考图1，所述服务器100包括中央处理单元(CPU)101、包括随机存取存储器(RAM)102和只读存储器(ROM)103的系统存储器104，以及连接系统存储器104和中央处理单元101的系统总线105。所述服务器100还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)106，和用于存储操作系统113、应用程序112和其他程序模块115的大容量存储设备107。
所述基本输入/输出系统106包括有用于显示信息的显示器108和用于用户输入信息的诸如鼠标、键盘之类的输入设备109。其中所述显示器108和输入设备109都通过连接到系统总线105的输入输出控制器110连接到中央处理单元101。所述基本输入/输出系统106还可以包括输入输出控制器110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器110还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备107通过连接到系统总线105的大容量存储控制器(未示出)连接到中央处理单元101。所述大容量存储设备107及其相关联的计算机可读介质为服务器100提供非易失性存储。也就是说，所述大容量存储设备107可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器104和大容量存储设备107可以统称为存储器。
根据本发明的各种实施例，所述服务器100还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器100可以通过连接在所述系统总线105上的网络接口单元111连接到网络112，或者说，也可以使用网络接口单元111来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序用于执行下述实施例提供的人脸模型矩阵训练方法。
请参考图2，其示出了本发明一个实施例提供的人脸模型矩阵训练方法的方法流程图，本实施例以该人脸模型矩阵训练方法用于图1所示的服务器中来举例说明。如图2所示，该人脸模型矩阵训练方法可以包括：
步骤201，获取人脸图像库，人脸图像库包括k组人脸图像。
每组人脸图像包括至少一个人的至少一张人脸图像，k>2。
步骤202，对k组人脸图像中的每一组人脸图像分别进行解析，根据解析结果计算第一矩阵和第二矩阵。
第一矩阵为每组人脸图像的人脸特征的组内协方差矩阵，第二矩阵为k组人脸图像的人脸特征的组间协方差矩阵。
步骤203，根据第一矩阵和第二矩阵，训练人脸模型矩阵。
综上所述，本实施例提供的人脸模型矩阵训练方法，通过将人脸图像库中的人脸图像分成k个分组，每次只加载一个分组中的人脸图像至内存并进行解析，之后根据各个解析结果计算第一矩阵和第二矩阵，并根据第一矩阵和第二矩阵训练人脸模型矩阵；避免了现有技术中终端同时加载人脸图像库中的所有人脸图像至内存时占用内存较大的问题，达到了可以每次只加载一个分组中的人脸图像至内存，进而降低训练过程中所需占用的内存的效果。同时，由于每次只需要对一个分组中的人脸图像进行解析，这也一定程度上降低了终端的计算复杂度。
请参考图3，其示出了本发明一个实施例提供的人脸模型矩阵训练方法的方法流程图，本实施例以该人脸模型矩阵训练方法用于图1所示的服务器中来举例说明。如图3所示，该人脸模型矩阵训练方法可以包括：
步骤301，获取人脸图像库，人脸图像库包括k组人脸图像。
本实施例提供的人脸模型矩阵训练方法可以用于诸如手机、平板电脑、计算机之类的终端中。
k组人脸图像中的每组人脸图像可以包括至少一个人的至少一张人脸图像，k>2，k为整数。
比如，终端可以获取包含m*N张人脸图像的图像库，m为人脸图像库中的人的个数，N为每个人的人脸图像的张数。将m个人分成k组，每组包括m/k个人的人脸图像。
步骤302，对k组人脸图像中的每一组人脸图像分别进行解析，根据解析结果计算第一矩阵和第二矩阵。
其中，第一矩阵为每组人脸图像的人脸特征的组内协方差矩阵，第二矩阵为k组人脸图像的人脸特征的组间协方差矩阵。
具体的，本步骤可以包括：
第一，初始化第一矩阵Sg和第二矩阵Ss。
第二，根据Ss计算H，根据Sg和Ss计算L，H＝Ss-1，L＝-(kSg+Ss)-1SgSs-1。
第三，获取每组人脸图像中的第i个人的人脸图像的高维特征向量xi和第j个人的人脸图像的高维特征向量xj；0＜i≤n，0＜j≤n，i≠j，n为一组人脸图像中的人数。
作为一种可能的实现方式，对于每组人脸图像中的每张人脸图像，终端可以提取每张人脸图像的高维特征向量。具体的，终端可以通过LBP(Local Binary Pattern，局部二值模式)算法、HOG(Histogram of Oriented Gradient，方向梯度直方图)算法、Gabor算法或者SIFT(Scale-invariant feature transform，尺度不变特征变换)算法提取得到的高维特征向量，本实施例对此并不做限定。实际实现时，终端还可以通过其他提取方式来提取每张人脸图像的高维特征向量。
以终端通过LBP提取人脸图像的高维特征向量来举例说明，终端提取人脸图像的高维特征向量的步骤可以包括：
A)、获取h个缩放后的人脸图像，h个缩放后的人脸图像为按照h个预设倍数对目标人脸图像分别进行缩放后得到的图像。
终端可以按照h个预设倍数中的每个预设倍数对目标人脸图像分别进行缩放，进而得到h个缩放后的目标人脸图像。其中，h为正整数，且h个预设倍数可以均匀分布。另外，本实施例所说的缩放是指对目标人脸图像进行缩小
B)、对于人脸图像以及h个缩放后的人脸图像中的每一张人脸图像，确定人脸图像中的人脸关键点，提取人脸关键点处的LBP特征向量。
本步骤可以包括：
(a)、识别目标人脸图像中的人脸框。
(b)、对人脸框中的人脸进行五官定位，得到各个人脸关键点。其中，人脸关键点可以包括：左右眉毛、左右眼睛、鼻子和左右嘴角等等。
(c)、对于每个人脸关键点，在以人脸关键点为中心的预设区域内，提取预设区域内的LBP特征。
可选的，终端可以通过Uniform编码来提取预设区域中的LBP特征，得到LBP特征直方图。预设区域可以为a*a的区域，a为正整数。可选的，终端可以通过Uniform编码来提取预设区域中的每个单元格中的LBP特征。
C)、根据提取到的各个人脸关键点的LBP特征向量，组合确定人脸图像的LBP特征向量。
在终端对每一张人脸图像进行提取之后，终端可以提取得到u个LBP特征。
而在终端对目标人脸图像以及h个缩放后的目标人脸图像分别进行提取之后，终端可以得到Y个LBP特征。其中Y＝u*(h+1)。
终端将提取到的各个LBP特征作为LBP特征向量中的一个参数，进而组合得到包含各个LBP特征的LBP特征向量。可选的，终端可以将对每一张人脸图像提取到的LBP特征作为LBP特征向量中的一行或者一列，进而得到包含h+1行或者h+1列的LBP特征向量。
D)、根据LBP特征向量计算人脸图像的高维特征向量。
设人脸图像的LBP特征向量为xr。则本步骤可以包括：
(a)、对进行PCA(Principal Component Analysis，主成分分析)降维，保留前N维特征，得到降维矩阵P，N为正整数。
N大于第一阈值小于第二阈值，并且，通常情况下，N可以为1440。PCA降维是图像处理中常用的一种降维方法，其通过线性变换，将原特征向量映射到低维度空间中。
(b)、对xr，计算：xp＝Pxr。
(c)、对xp进行LDA(Latent Dirichlet Allocation，三层贝叶斯概率模型)降维，得到降维矩阵L。
(d)、对xp计算：x＝Lxp，x即为目标人脸图像的高维特征向量。
至此，终端可以得到每组人脸图像中的第i张人脸图像的高维特征向量xi和第j张人脸图像的高维特征向量xj。
可选的，作为另一种可能的实施方式，本步骤可以包括：
(1)、对于每组人脸图像，计算分组中的各张人脸图像的高维特征向量。
本步骤的计算方式与上述第一种可能的实现方式的计算方式类似，在此不再赘述。
(2)、计算各张人脸图像的高维特征向量的均值。
在终端计算得到一组中的各张图像的高维特征向量之后，终端可以计算各张人脸图像的高维特征向量的均值。
(3)、对于分组中的每张人脸图像，将人脸图像的高维特征向量减去均值，得到均值化后的人脸图像的高维特征向量。
(4)、将均值化后的人脸图像的高维特征向量确定为人脸图像的高维特征向量。
第四，根据H、L、Sg以及xi计算gi，根据H、L、xi、xj以及Ss计算Sij，
第五，根据gi更新Sg，根据Sij更新Ss；giT为gi的转置向量，SijT为Sij的转置向量。
第六，若Sg和Ss收敛，则得到Sg和Ss。
第七，若Sg和Ss不收敛，则再次执行根据Ss计算H，根据Sg和Ss计算L的步骤。
步骤303，根据第一矩阵和第二矩阵，计算第三矩阵和第四矩阵。
第三矩阵为人脸图像库中的人脸特征的协方差矩阵，第四矩阵为人脸图像库中不同人的人脸特征之间的协方差矩阵。
可选的，本步骤可以包括：
第一，根据第一矩阵为Sg和第二矩阵为Ss计算第三矩阵Sμ，Su＝con(u)＝Sg+Ss。
第二，初始化第四矩阵Sε。
Sε中包括人脸图像库中的所有人脸图像的样本，也即包括m*N个样本，本实施例对此并不做限定。
第三，根据Sμ计算F，根据Sμ和Sε计算G，m为人脸图像库中的各张人脸图像所对应的人的人数。
第四，根据F和G，计算人脸图像库中第i个人的高斯分布均值μi，以及第i个人和第j个人的联合分布协方差矩阵εij，其中，xi为第i个人的高维特征向量，xj为第j个人的高维特征向量。
第五，根据μi更新Sμ，根据εij更新Sε，为μi的转置向量，
为εij的转置向量。
第六，若Sμ和Sε收敛，则得到Sμ和Sε。
第七，若Sμ和Sε不收敛，则再次执行根据Sμ计算F，根据Sμ和Sε计算G的步骤。
步骤304，根据第三矩阵和第四矩阵，训练人脸模型矩阵。
可选的，本步骤包括：根据第三矩阵Sμ、第四矩阵Sε、Sμ和Sε收敛时的F以及Sμ和Sε收敛时的G，训练得到人脸模型矩阵；
人脸模型矩阵为：A＝(Sμ+Sε)-1-(F+G)，
步骤305，获取目标人脸图像的高维特征向量以及参考人脸图像的高维特征向量。
在训练得到人脸模型训练矩阵之后，终端可以根据该人脸模型训练矩阵进行人脸识别。
具体的，终端可以获取待识别的目标人脸图像的高维特征向量，以及获取参考人脸图像的高维特征向量。可选的，终端可以通过LBP算法、HOG算法、Gabor算法或者SIFT算法提取得到的高维特征向量，本实施例对此并不做限定。
步骤306，根据目标人脸图像的高维特征向量、参考人脸图像的高维特征向量以及人脸模型矩阵，计算目标人脸图像与参考人脸图像的相似度。
相似度为：
其中，x1为目标人脸图像的高维特征向量，x2为参考人脸图像的高维特征向量，为x1的转置向量，为x2的转置向量，A和G为人脸模型矩阵。
可选的，在计算相似度之前，终端还可以执行如下步骤：
第一，获取人脸图像库中的所有特征的均值M。
具体的本步骤可以包括：获取人脸图像库中的每张人脸图像的高维特征向量，根据获取到的各个高维特征向量计算所有特征的均值M。其中，终端可以通过LBP算法、HOG算法、Gabor算法或者SIFT算法提取得到每张人脸图像的高维特征向量，本实施例对此并不做限定。
第二，对x1和x2进行均值化处理。具体的，令x1＝x1-M；x2＝x2-M。
通过对x1和x2进行均值化处理，使得x1和x2可以以0为中心分布，提高了相似度的计算效率。
此外，本实施例只是以通过相似度来对目标人脸图像进行人脸识别来举例说明，可选的，在终端计算得到相似度之后，终端还可以计算目标人脸图像的高维特征向量与参考人脸图像的高维特征向量之间的方差，进而通过计算得到的方差来进行人脸识别。
具体的，计算方差的步骤可以包括：
第一，获取人脸图像库中的同一个人的高维特征向量的均值r1，方差s1。
对于人脸图像库中的m*N张人脸图像，在同一个人的n张人脸图像中，计算任意两张人脸图像的相似度r(x1,x2)，得到(N-1)个r(x1,x2)；对于人脸图像库中的m个人，则一共得到(N-1)*m个r(x1,x2)；计算(N-1)*m个r(x1,x2)的均值r1以及方差s1。
第二，根据计算得到的均值r1，方差s1以及相似度计算方差，方差s为：
终端计算得到方差s之后，终端可以将计算得到的s归一化到0-100的区间。其中，s的大小表示目标人脸图像与参考人脸图像是同一个人的概率的大小。换句话说，s是取值介于0-100之间的置信度。s越大，表示两张人脸图像是一个人的概率越高。
实际实现时，可以设定一个阈值，当s大于设定阈值时，判定目标人脸图像与参考人脸图像中是同一个人；而当s小于该设定阈值时，判定目标人脸图像与参考人脸图像中不是同一个人。实际实现时，该设定阈值是一个不小于50且不大于100的数，设计人员可以依据所需的识别准确度来设置该阈值。具体的。若所需的准确度较高，则该阈值设置为较高的值，如为90；而若所需的准确度较低，则该阈值可以设置为较小的值，如60。
需要补充说明的是，步骤305和步骤306为可选步骤，实际实现时，可以执行也可以不执行，本实施例对此并不做限定。
综上所述，本实施例提供的人脸模型矩阵训练方法，通过将人脸图像库中的人脸图像分成k个分组，每次只加载一个分组中的人脸图像至内存并进行解析，之后根据各个解析结果计算第一矩阵和第二矩阵，并根据第一矩阵和第二矩阵训练人脸模型矩阵；避免了现有技术中终端同时加载人脸图像库中的所有人脸图像至内存时占用内存较大的问题，达到了可以每次只加载一个分组中的人脸图像至内存，进而降低训练过程中所需占用的内存的效果。同时，由于每次只需要对一个分组中的人脸图像进行解析，这也一定程度上降低了终端的计算复杂度。
请参考图4，其示出了本发明一个实施例提供的人脸模型矩阵训练装置的结构方框图，该人脸模型矩阵训练装置可以包括：图像获取模块410、矩阵计算模块420和矩阵训练模块430。
图像获取模块410，用于获取人脸图像库，所述人脸图像库包括k组人脸图像，每组人脸图像包括至少一个人的至少一张人脸图像，k>2；
矩阵计算模块420，用于对所述k组人脸图像中的每一组人脸图像分别进行解析，根据解析结果计算第一矩阵和第二矩阵；所述第一矩阵为每组人脸图像的人脸特征的组内协方差矩阵，所述第二矩阵为所述k组人脸图像的人脸特征的组间协方差矩阵；
矩阵训练模块430，用于根据所述矩阵计算模块320计算得到的所述第一矩阵和所述第二矩阵，训练人脸模型矩阵。
综上所述，本实施例提供的人脸模型矩阵训练装置，通过将人脸图像库中的人脸图像分成k个分组，每次只加载一个分组中的人脸图像至内存并进行解析，之后根据各个解析结果计算第一矩阵和第二矩阵，并根据第一矩阵和第二矩阵训练人脸模型矩阵；避免了现有技术中终端同时加载人脸图像库中的所有人脸图像至内存时占用内存较大的问题，达到了可以每次只加载一个分组中的人脸图像至内存，进而降低训练过程中所需占用的内存的效果。同时，由于每次只需要对一个分组中的人脸图像进行解析，这也一定程度上降低了终端的计算复杂度。
请参考图5，其示出了本发明一个实施例提供的人脸模型矩阵训练装置的结构方框图，该人脸模型矩阵训练装置可以包括：图像获取模块510、矩阵计算模块520和矩阵训练模块530。
图像获取模块510，用于获取人脸图像库，所述人脸图像库包括k组人脸图像，每组人脸图像包括至少一个人的至少一张人脸图像，k>2；
矩阵计算模块520，用于对所述k组人脸图像中的每一组人脸图像分别进行解析，根据解析结果计算第一矩阵和第二矩阵；所述第一矩阵为每组人脸图像的人脸特征的组内协方差矩阵，所述第二矩阵为所述k组人脸图像的人脸特征的组间协方差矩阵；
矩阵训练模块530，用于根据所述矩阵计算模块520计算得到的所述第一矩阵和所述第二矩阵，训练人脸模型矩阵。
可选的，所述矩阵计算模块520，包括：
初始化单元521，用于初始化所述第一矩阵Sg和所述第二矩阵Ss；
第一计算单元522，用于根据所述Ss计算H，H＝Ss-1，根据所述Sg和所述Ss计算L，L＝-(kSg+Ss)-1SgSs-1；
特征获取单元523，用于获取每组人脸图像中的第i个人的人脸图像的高维特征向量xi和第j个人的人脸图像的高维特征向量xj；0＜i≤n，0＜j≤n，i≠j，n为一组人脸图像中的人数；
第二计算单元524，用于根据所述H、所述L、所述Sg以及所述xi计算gi，根据所述H、所述L、所述xi、所述xj以及所述Ss计算Sij，
第三计算单元525，用于根据所述gi更新所述Sg，根据所述Sij更新所述Ss，giT为gi的转置向量，SijT为Sij的转置向量；
第四计算单元526，用于在所述第三计算单元5525得到的所述Sg和所述Ss收敛时，得到所述Sg和所述Ss；
所述第一计算单元522，还用于在所述第三计算单元525所述Sg和所述Ss不收敛时，再次执行所述根据所述Ss计算H，H＝Ss-1，根据所述Sg和所述Ss计算L的步骤。
可选的，所述特征获取单元523，还用于：
对于每组人脸图像，计算所述分组中的各张人脸图像的高维特征向量；
计算所述各张人脸图像的高维特征向量的均值；
对于所述分组中的每张人脸图像，将所述人脸图像的高维特征向量减去所述均值，得到均值化后的所述人脸图像的高维特征向量；
将均值化后的所述人脸图像的高维特征向量确定为所述人脸图像的高维特征向量。
可选的，所述矩阵训练模块530，包括：
矩阵计算单元531，用于根据所述第一矩阵和所述第二矩阵，计算第三矩阵和第四矩阵；所述第三矩阵为所述人脸图像库中的人脸特征的协方差矩阵，所述第四矩阵为所述人脸图像库中不同人的人脸特征之间的协方差矩阵；
矩阵训练单元532，用于根据所述矩阵计算单元531计算得到的所述第三矩阵和所述第四矩阵，训练人脸模型矩阵。
可选的，所述矩阵计算单元531，还用于：
根据所述第一矩阵为Sg和所述第二矩阵为所述Ss计算所述第三矩阵Sμ，Su＝con(u)＝Sg+Ss；
初始化所述第四矩阵Sε；
根据所述Sμ计算F，根据Sμ和所述Sε计算G，m为所述人脸图像库中的各张人脸图像所对应的人的人数；
根据所述F和所述G，计算所述人脸图像库中第i个人的高斯分布均值μi，以及所述第i个人和第j个人的联合分布协方差矩阵εij，其中，xi为所述第i个人的高维特征向量，xj为所述第j个人的高维特征向量；
根据所述μi更新所述Sμ，根据所述和所述εij更新所述Sε，为μi的转置向量，
为εij的转置向量；
若所述Sμ和所述Sε收敛，则得到所述Sμ和所述Sε；
若所述Sμ和所述Sε不收敛，则再次执行所述根据所述Sμ计算F，根据Sμ和所述Sε计算G的步骤。
可选的，所述矩阵训练单元532，还用于：
根据所述第三矩阵Sμ、所述第四矩阵Sε、所述Sμ和所述Sε收敛时的所述F以及所述Sμ和所述Sε收敛时的所述G，训练得到所述人脸模型矩阵；
所述人脸模型矩阵为：A＝(Sμ+Sε)-1-(F+G)，
可选的，所述装置还包括：
特征获取模块540，用于获取目标人脸图像的高维特征向量以及参考人脸图像的高维特征向量；
人脸识别模块550，用于根据所述目标人脸图像的高维特征向量、所述参考人脸图像的高维特征向量以及所述人脸模型矩阵，计算所述目标人脸图像与所述参考人脸图像的相似度。
可选的，所述人脸识别模块550，还用于：
所述相似度为：
其中，x1为目标人脸图像的高维特征向量，x2为参考人脸图像的高维特征向量，为x1的转置向量，为x2的转置向量，A和G为所述人脸模型矩阵。
综上所述，本实施例提供的人脸模型矩阵训练装置，通过将人脸图像库中的人脸图像分成k个分组，每次只加载一个分组中的人脸图像至内存并进行解析，之后根据各个解析结果计算第一矩阵和第二矩阵，并根据第一矩阵和第二矩阵训练人脸模型矩阵；避免了现有技术中终端同时加载人脸图像库中的所有人脸图像至内存时占用内存较大的问题，达到了可以每次只加载一个分组中的人脸图像至内存，进而降低训练过程中所需占用的内存的效果。同时，由于每次只需要对一个分组中的人脸图像进行解析，这也一定程度上降低了终端的计算复杂度。
需要说明的是：上述实施例提供的人脸模型矩阵训练装置在训练人脸模型矩阵时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的人脸模型矩阵训练装置与人脸模型矩阵训练方法的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！