一种单样本人脸识别方法及系统与流程

本发明涉及人脸识别技术领域，特别涉及一种单样本人脸识别方法及系统。

背景技术：

目前，随着人工智能和计算机技术的快速发展，以及人们需求的日益增长和持续变化，人脸识别技术得到了越来越广泛的关注。传统的人脸识别方法通常认为在训练过程中可使用多个人脸图像样本来进行特征值的提取，但是，对每个个人而言，实际生活里的人脸系统中通常仅存储一张人脸图像，如法律实施、电子护照和身份证验证等。因而在这些情况下，需要多样本的传统人脸识别算法的性能往往不尽如人意。

为此，人们提出了单样本人脸识别技术，所谓的单样本人脸识别技术是指根据每人仅存储一幅已知身份的人脸图像数据库来识别出新人脸图像所对应的身份。然而，现有的单样本人脸识别技术依然存在识别率较差的问题，如何提升单样本人脸识别技术的识别率是目前还有待进一步解决的问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种单样本人脸识别方法及系统，能够有效地提升单样本人脸识别技术的识别率。其具体方案如下：

一种单样本人脸识别方法，包括：

将待识别人脸图像划分成t个子图；其中，t为正整数；

提取与所述待识别人脸图像的t个子图一一对应的t个特征；

将所述待识别人脸图像的t个特征输入预先基于训练集并结合子图权重集合得到的单样本人脸识别模型，得到所述待识别人脸图像对应的类别；

其中，所述子图权重集合为在对所述训练集中所有人脸图像样本的类间距离进行最大化处理后得到的集合；所述子图权重集合中的第r个权重为所述训练集中任一人脸图像样本的第r个子图对应的权重，r＝1,2,...,t。

可选的，所述单样本人脸识别模型的创建过程，包括：

将所述训练集中的每个人脸图像样本均划分成t个子图；

分别提取与所述训练集中每个人脸图像样本的t个子图一一对应的t个特征；

利用预设的距离计算公式，分别计算所述训练集中所有人脸图像样本的第r个子图的平均类间距离，r＝1,2,...,t；其中，所述距离计算公式为：r＝1,2,...,t，式中，d_r表示所述训练集中所有人脸图像样本的第r个子图的平均类间距离，c表示所述训练集中人脸图像样本的总数，h_ir表示所述训练集中的第i个人脸图像样本的第r个子图的特征，表示h_ir和之间的曼哈顿距离；

利用目标函数，确定所述子图权重集合；其中，所述目标函数为：并且，s.t.0≤ω_r≤1,r＝1,2,...,t，式中，ω表示所述子图权重集合，ω_r表示ω中的第r个权重，d＝[d₁,d₂,...,d_t]^T；

基于所述训练集中每个人脸图像样本的子图所对应的特征以及所述子图权重集合，构造所述单样本人脸识别模型；其中，所述单样本人脸识别模型具体为：

式中，y表示所述待识别人脸图像对应的类别，d(h_ir,h_r)表示h_ir和h_r之间的曼哈顿距离。

可选的，所述分别提取与所述训练集中每个人脸图像样本的t个子图一一对应的t个特征的过程，包括：

分别提取与所述训练集中每个人脸图像样本的t个子图一一对应的t个LBP特征。

可选的，所述提取与所述待识别人脸图像的t个子图一一对应的t个特征的过程，包括：

提取与所述待识别人脸图像的t个子图一一对应的t个LBP特征。

本发明还相应公开了一种单样本人脸识别系统，包括：

模型创建模块，用于预先基于训练集并结合子图权重集合，得到单样本人脸识别模型；

图像划分模块，用于将待识别人脸图像划分成t个子图；其中，t为正整数；

特征提取模块，用于提取与所述待识别人脸图像的t个子图一一对应的t个特征；

类别确定模块，用于将所述待识别人脸图像的t个特征输入所述单样本人脸识别模型，得到所述待识别人脸图像对应的类别；

其中，所述子图权重集合为在对所述训练集中所有人脸图像样本的类间距离进行最大化处理后得到的集合；所述子图权重集合中的第r个权重为所述训练集中任一人脸图像样本的第r个子图对应的权重，r＝1,2,...,t。

可选的，所述模型创建模块，包括：

图像划分单元，用于将所述训练集中的每个人脸图像样本均划分成t个子图；

特征提取单元，用于分别提取与所述训练集中每个人脸图像样本的t个子图一一对应的t个特征；

距离计算单元，用于利用预设的距离计算公式，分别计算所述训练集中所有人脸图像样本的第r个子图的平均类间距离，r＝1,2,...,t；其中，所述距离计算公式为：r＝1,2,...,t，式中，d_r表示所述训练集中所有人脸图像样本的第r个子图的平均类间距离，c表示所述训练集中人脸图像样本的总数，h_ir表示所述训练集中的第i个人脸图像样本的第r个子图的特征，表示h_ir和之间的曼哈顿距离；

权重计算单元，用于利用目标函数，确定所述子图权重集合；其中，所述目标函数为：并且，s.t.0≤ω_r≤1,r＝1,2,...,t，式中，ω表示所述子图权重集合，ω_r表示ω中的第r个权重，d＝[d₁,d₂,...,d_t]^T；

模型构造单元，用于基于所述训练集中每个人脸图像样本的子图所对应的特征以及所述子图权重集合，构造所述单样本人脸识别模型；其中，所述单样本人脸识别模型具体为：

式中，y表示所述待识别人脸图像对应的类别，d(h_ir,h_r)表示h_ir和h_r之间的曼哈顿距离。

可选的，所述特征提取单元为：

LBP特征提取单元，用于分别提取与所述训练集中每个人脸图像样本的t个子图一一对应的t个LBP特征。

可选的，所述特征提取模块为：

LBP特征提取模块，用于提取与所述待识别人脸图像的t个子图一一对应的t个LBP特征。

本发明中，单样本人脸识别方法，包括：将待识别人脸图像划分成t个子图；其中，t为正整数；提取与待识别人脸图像的t个子图一一对应的t个特征；将待识别人脸图像的t个特征输入预先基于训练集并结合子图权重集合得到的单样本人脸识别模型，得到待识别人脸图像对应的类别；其中，子图权重集合为在对训练集中所有人脸图像样本的类间距离进行最大化处理后得到的集合；子图权重集合中的第r个权重为训练集中任一人脸图像样本的第r个子图对应的权重，r＝1,2,...,t。

可见，本发明是利用预先基于训练集并结合子图权重集合得到的单样本人脸识别模型来对待识别人脸图像进行识别的，并且，上述单样本人脸识别模型中涉及的子图权重集合是在对训练集中所有人脸图像样本的类间距离进行最大化处理之后得到的，这样能够有效地增大训练集中不同类之间的区别度，从而使得基于该子图权重集合所得到的单样本人脸识别模型能够对待识别人脸图像进行更加准确地识别，也即有效地提升了本发明中单样本人脸识别技术的识别率。

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为本发明实施例公开的一种单样本人脸识别方法流程图；

图2为本发明实施例公开的一种单样本人脸识别模型的创建流程图；

图3为本发明实施例公开的一种单样本人脸识别系统结构示意图。

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。

本发明实施例公开了一种单样本人脸识别方法，参见图1所示，该方法包括：

步骤S11：将待识别人脸图像划分成t个子图；其中，t为正整数；

步骤S12：提取与待识别人脸图像的t个子图一一对应的t个特征；

步骤S13：将待识别人脸图像的t个特征输入预先基于训练集并结合子图权重集合得到的单样本人脸识别模型，得到待识别人脸图像对应的类别；

其中，子图权重集合为在对训练集中所有人脸图像样本的类间距离进行最大化处理后得到的集合；子图权重集合中的第r个权重为训练集中任一人脸图像样本的第r个子图对应的权重，r＝1,2,...,t。

具体的，参见图2所示，上述步骤S13中的单样本人脸识别模型的创建过程，可以包括下面步骤S131至S135：

步骤S131：将训练集中的每个人脸图像样本均划分成t个子图；

步骤S132：分别提取与训练集中每个人脸图像样本的t个子图一一对应的t个特征；

步骤S133：利用预设的距离计算公式，分别计算训练集中所有人脸图像样本的第r个子图的平均类间距离，r＝1,2,...,t；其中，距离计算公式为：r＝1,2,...,t，式中，d_r表示训练集中所有人脸图像样本的第r个子图的平均类间距离，c表示训练集中人脸图像样本的总数，h_ir表示训练集中的第i个人脸图像样本的第r个子图的特征，表示h_ir和之间的曼哈顿距离；

步骤S134：利用目标函数，确定子图权重集合；其中，目标函数为：并且，s.t.0≤ω_r≤1,r＝1,2,...,t，式中，ω表示子图权重集合，ω_r表示ω中的第r个权重，d＝[d₁,d₂,...,d_t]^T；

步骤S135：基于训练集中每个人脸图像样本的子图所对应的特征以及子图权重集合，构造单样本人脸识别模型；其中，单样本人脸识别模型具体为：

式中，y表示待识别人脸图像对应的类别，d(h_ir,h_r)表示h_ir和h_r之间的曼哈顿距离。

本实施例中，每一子图的特征优先采用LBP特征(LBP，即Local Binary Pattern，局部二值模式)。也即，上述步骤S132中，分别提取与训练集中每个人脸图像样本的t个子图一一对应的t个特征的过程，具体包括：分别提取与训练集中每个人脸图像样本的t个子图一一对应的t个LBP特征。

相应的，上述步骤S12中，提取与待识别人脸图像的t个子图一一对应的t个特征的过程，具体包括：提取与待识别人脸图像的t个子图一一对应的t个LBP特征。

可见，本发明实施例是利用预先基于训练集并结合子图权重集合得到的单样本人脸识别模型来对待识别人脸图像进行识别的，并且，上述单样本人脸识别模型中涉及的子图权重集合是在对训练集中所有人脸图像样本的类间距离进行最大化处理之后得到的，这样能够有效地增大训练集中不同类之间的区别度，从而使得基于该子图权重集合所得到的单样本人脸识别模型能够对待识别人脸图像进行更加准确地识别，也即有效地提升了本发明中单样本人脸识别技术的识别率。

本发明实施例通过具体举例的方式来详细说明上一实施例中单样本人脸识别模型创建的过程以及相应的人脸识别过程。

假设训练集中包括100个人的人脸图像样本，也即包括100个人脸图像样本，则本实施例中单样本人脸识别模型的构建过程具体如下：

将上述训练集中的每个人脸图像样本均划分成36个子图，然后分别提取与每个人脸图像样本的36个子图一一对应的36个LBP特征，这样，第i个人脸图像样本的LBP特征矩阵可以表示为：

H_i＝[h_i1,h_i2,...,h_i36]；

也即，本实施例中，h_ir∈R²⁵⁶表示上述训练集中的第i个人脸图像样本的第r个子图的LBP特征，r＝1,2,...,36。

利用下面的距离计算公式：分别计算上述训练集中所有人脸图像样本的第r个子图的平均类间距离，r＝1,2,...,36；其中，表示所有人脸图像样本的第r个子图的LBP特征的均值，也即表示h_ir和之间的曼哈顿距离。

接着，对训练集中所有人脸图像样本的类间距离进行最大化处理，以得到子图权重集合，也即求解下面目标函数：

并且，s.t.0≤ω_r≤1,r＝1,2,...,36；

式中，ω表示子图权重集合，ω_r表示ω中的第r个权重，d＝[d₁,d₂,...,d₃₆]^T；

基于上述训练集中每个人脸图像样本的子图所对应的特征以及子图权重集合，可构造出如下的单样本人脸识别模型：

式中，y表示待识别人脸图像对应的类别，d(h_ir,h_r)表示h_ir和h_r之间的曼哈顿距离。

由此，当获取到待识别人脸图像之后，便可将该待识别人脸图像划分成36个子图，然后提取与该36个子图一一对应的36个LBP特征，接着便可将该36个LBP特征输入上述已经创建完毕的单样本人脸识别模型，从而得到相应的识别结果。

相应的，本发明实施例还公开了一种单样本人脸识别系统，参见图3所示，包括：

模型创建模块11，用于预先基于训练集并结合子图权重集合，得到单样本人脸识别模型；

图像划分模块12，用于将待识别人脸图像划分成t个子图；其中，t为正整数；

特征提取模块13，用于提取与待识别人脸图像的t个子图一一对应的t个特征；

类别确定模块14，用于将待识别人脸图像的t个特征输入单样本人脸识别模型，得到待识别人脸图像对应的类别；

其中，上述子图权重集合为在对训练集中所有人脸图像样本的类间距离进行最大化处理后得到的集合；上述子图权重集合中的第r个权重为训练集中任一人脸图像样本的第r个子图对应的权重，r＝1,2,...,t。

具体的，上述模型创建模块11可以包括图像划分单元、特征提取单元、距离计算单元、权重计算单元和模型构造单元；其中，

图像划分单元，用于将训练集中的每个人脸图像样本均划分成t个子图；

特征提取单元，用于分别提取与训练集中每个人脸图像样本的t个子图一一对应的t个特征；

距离计算单元，用于利用预设的距离计算公式，分别计算训练集中所有人脸图像样本的第r个子图的平均类间距离，r＝1,2,...,t；其中，距离计算公式为：r＝1,2,...,t，式中，d_r表示训练集中所有人脸图像样本的第r个子图的平均类间距离，c表示训练集中人脸图像样本的总数，h_ir表示训练集中的第i个人脸图像样本的第r个子图的特征，表示h_ir和之间的曼哈顿距离；

权重计算单元，用于利用目标函数，确定子图权重集合；其中，目标函数为：并且，s.t.0≤ω_r≤1,r＝1,2,...,t，式中，ω表示子图权重集合，ω_r表示ω中的第r个权重，d＝[d₁,d₂,...,d_t]^T；

模型构造单元，用于基于训练集中每个人脸图像样本的子图所对应的特征以及子图权重集合，构造单样本人脸识别模型；其中，单样本人脸识别模型具体为：

式中，y表示待识别人脸图像对应的类别，d(h_ir,h_r)表示h_ir和h_r之间的曼哈顿距离。

其中，上述特征提取单元具体可以为：

LBP特征提取单元，用于分别提取与训练集中每个人脸图像样本的t个子图一一对应的t个LBP特征。

相应的，上述特征提取模块13具体可以为：

LBP特征提取模块，用于提取与待识别人脸图像的t个子图一一对应的t个LBP特征。

可见，本发明实施例是利用预先基于训练集并结合子图权重集合得到的单样本人脸识别模型来对待识别人脸图像进行识别的，并且，上述单样本人脸识别模型中涉及的子图权重集合是在对训练集中所有人脸图像样本的类间距离进行最大化处理之后得到的，这样能够有效地增大训练集中不同类之间的区别度，从而使得基于该子图权重集合所得到的单样本人脸识别模型能够对待识别人脸图像进行更加准确地识别，也即有效地提升了本发明中单样本人脸识别技术的识别率。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种单样本人脸识别方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。