[发明专利]基于非负自适应特征提取的人脸识别方法、装置及设备

说明书

本发明实施例公开了一种基于非负自适应特征提取的人脸识别方法、装置、设备及计算机存储介质。其中，方法包括将非负矩阵分解，特征提取和自适应邻域学习集成进为统一的框架，利用非负矩阵分解技术得到局部重构数据，在非负重构空间和特征嵌入空间对重构误差同时进行最小化，对重构数据进行权重自适应构造和标签传播学习，并利用基于投影的特征近似错误项进行最小化学习；通过对人脸识别模型进行交替优化和学习，得到用于保持近邻信息的自适应权重系数矩阵、用于提取特征的投影矩阵及近邻保持非负分解矩阵；利用投影矩阵提取人脸测试样本集的识别特征，以利用人脸识别模型根据识别特征实现人脸识别。本申请提供的技术方案提升了人脸识别的准确率。

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非负自适应特征提取的人脸识别方法、装置、设备及计算机存储介质。

背景技术

随着互联网和通信技术的不断发展，高维数据的爆炸式增长给有效数据表示带来了巨大的挑战。大多数真实数据中包含的高维属性、噪声和不利特征可能会直接降低后期数据的表示和分类能力。为了解决这一问题，基于特征提取的降维方法应运而生，该方法通过将原始高维真实数据转换为具有代表性的低维紧凑的特征。

数据表示法提取技术可分为全监督、半监督和无监督三类。全监督的特征提取算法需要所有训练数据的监督信息，考虑类间分类鉴别特征学习。半监督算法可以使用少量的有标记训练数据和大量的无标签训练样本进行学习。而无监督算法主要通过保持数据的局部或全局几何结构信息，无需任何监督先验知识。但是，在实际应用中，获取数据的标签信息通常是比较困难和昂贵的，因此无监督和半监督学习功能方法引起了广泛的关注和重视。

现有的无监督特征学习方法，根据是否有一个显式投影被得到，可以进一步细分为线性和非线性。经典的非线性模型包括拉普拉斯特征映射，局部线性嵌入和等距映射算法等，这些方法主要是直接得到了非线性特征嵌入，而没有输出一个显式投影，所以无法有效处理新数据。线性方法包括局部保持投影、主成分分析、邻域保持嵌入、改进的局部保持投影、无监督大型图嵌入和无监督鉴别投影方法等。

上述方法虽然能在一定程度上增强数据表示能力，但是仍然几点不足。首先，当构造邻接矩阵时，采用k-邻域和ε-邻域定义每个样本的邻域，若权重采用高斯函数或局部线性嵌入重建权重，则最优内核宽度或邻域大小的选择将是一个难题。其次，目前的大部分特征学习方法采用独立的步骤获取权重系数矩阵，无法确保预先计算的权重系数对后期的数据表示是否为最佳的。最后，现有的学习模型通常在原始的高维输入空间中执行特征学习，高维数据通常包含冗余信息，不利特征和噪声等，会直接降低学习性能。

发明内容

本发明实施例的目的是提供一种基于非负自适应特征提取的人脸识别方法、装置、设备及计算机存储介质，有效的提升了人脸识别的准确率。

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非负自适应特征提取的人脸识别方法，将非负矩阵分解、特征提取和自适应邻域学习集成为半监督特征学习框架，并同时学习得到可用于特征提取的投影矩阵，具体过程包括：

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，所述人脸训练样本集包括第一预设个数的有标签样本图像和第二预设个数的无标签样本图像，所述人脸测试样本集为无标签样本图像集，并对所述人脸识别模型进行参数初始化；

利用近邻保持非负矩阵分解技术学习得到所述人脸训练样本集的局部重构数据，在非负重构空间和特征嵌入空间同时对重构误差进行最小化，对所述局部重构数据进行权重自适应构造和标签传播学习，并利用基于投影的特征近似错误项进行最小化学习；

通过对所述人脸识别模型进行交替优化和学习，得到用于保持近邻信息的自适应权重系数矩阵、用于提取特征的投影矩阵及近邻保持非负分解矩阵；