[发明专利]一种针对小样本训练数据的人脸分类方法

说明书

本发明涉及一种针对小样本训练数据的人脸分类方法，属于计算机视觉以及模式识别技术领域。包括：步骤S1：建立训练数据集；步骤S2：数据预处理；步骤S3：分别建立样本矩阵和类别正交矩阵，并建立模型并求解特征向量；步骤S4：训练并求解模型，解得特征矩阵Q；步骤S5：通过测试模型对人脸进行分类。所述方法能在小样本训练数据的情况下，极大降低采集样本的成本，且更加匹配实际情况能极大地降低在收集数据时付出的成本；所述方法不仅局限于小样本数据，增多样本仍能显著提高分类性能；使用线性模型建模，能降低人脸分类的部署成本并提高运算速度；在训练阶段运算速度较快，能降低模型迁移到其他数据集的迁移成本。

技术领域

本发明涉及一种针对小样本训练数据的人脸分类方法，属于信息技术、计算机视觉以及模式识别技术领域。

背景技术

现如今，多种场合都需要人脸分类等相关技术，例如人脸考勤机等。一般地，在进行人脸分类前，需要事先采集指定人群的人脸图像，然后对这些人脸图像进行预处理并提取人脸图像的特征，最后通过模式识别的相关算法完成人脸分类。在模式识别领域中，以上过程被称作模型训练阶段。而当把模型具体落实到应用需求的过程属于模型的测试阶段。在测试阶段中，采集到被测试的图像以后，需要对该图像进行特征提取，并使用训练阶段得到的人脸分类模型进行分类，最终得到人脸分类结果。近年来，通过机器学习和深度学习等相关算法实现人脸分类的方法开始普及。

然而，在实际应用中，人脸分类的实现受到两方面因素的制约。一方面，高质量的大量人脸图像难以获得，使得神经网络和深度学习等依赖大量训练样本数量的方法难以奏效；另一方面，在工业或者生产生活中，使用者对于人脸分类的实时性要求很高。但由于建设成本的制约，使得相关设备的计算能力十分有限，这使得一些较为复杂的人脸分类算法(例如基于深度学习的图像分类算法)要么难以部署在设备上，要么难以实时地得到计算结果。

本专利主要以实际应用环境和需求为背景，针对训练样本数据较少、算法部署较为困难、算法运行时间较长等制约因素，给出一种针对小样本情况训练数据的人脸分类方法。这一方法的突出特点是：能够在小样本训练数据的情况下有效建立模型，可以极大地降低了采集样本的成本；本方法不局限于小样本情况，增多训练数据可以显著提高分类准确率；使用线性模型进行建模，可以降低人脸分类方法的部署成本并提高运算速度；本方法在训练阶段的运算速度较快，可以降低模型迁移到其他数据集的迁移成本。

发明内容

本发明目的是针对现有人脸分类方法中当训练样本数据较少和对实时性要较高时，难以满足使用需求的技术缺陷，提出了一种针对小样本训练数据的人脸分类方法。

为达到上述目的，本发明采用如下技术方案。

所述针对小样本训练数据的人脸分类方法，包括如下步骤：

步骤S1：建立训练数据集，具体为：采集M个人的正脸灰度图像作为训练数据，生成训练数据集；

其中，训练数据集中包括M个人的图像及类别标签，且每个人的图像至少有1张，M个人分别对应类别标签0,1，……，M-1，图像的总数为N，且N＝M；

步骤S2：数据预处理，具体为：将每张图像样本重排为一个列向量，然后对所有的图像进行归一化处理；

其中，该列向量记为{x_i,i＝1,...,N}x_i表示第i个样本，N表示总样本数，数值与步骤S1中图像的总数相同；

步骤S3:分别建立样本矩阵和类别正交矩阵，并建立模型，具体包括如下子步骤：

步骤S3-1：将步骤S2得到的所有样本的列向量组合成为样本矩阵X，组合过程中样本要按照类别标签由小到大的顺序依次进行排列；

步骤S3-2：根据每个样本所属的类别，设计M个类别正交向量，组合成为一个矩阵，记为R，称R为类别正交矩阵；