本发明属于图像识别技术领域,具体涉及基于小样本量深度学习的特征提取方法及系统。
背景技术:
人脸识别问题一直是图像处理领域中一个热门的方向,流程包括获取图像、预处理、特征提取和识别分类四个部分,其中特征提取是最为核心的一个部分。在传统的图像识别领域,基本上是人工提取特征,不仅费时而且费力,更无法保证特征的有效性,而利用深度学习进行特征提取则回避了这个问题,深度学习,即在多层神经网络上运用各种机器学习算法来解决图像、文本等各种问题的算法集合。然而市面上各种的基于小样本量深度学习的特征提取方法及系统仍存在各种各样的问题。
如授权公告号为cn106874883a所公开的一种基于深度学习的实时人脸检测方法及系统,其虽然实现了通过优化后的卷积神经网络对人脸图像数据进行特征提取,有效地提高了特征提取的准确率,将storm架构和卷积神经网络的特征提取相结合,提高了人脸检测的效率,但是并未解决现有的基于小样本量深度学习的特征提取方法及系统还存在的问题:不方便先对图像进行去噪处理,降低了图像识别的精度,从而影响图像提取的速度和准确度,为此我们提出基于小样本量深度学习的特征提取方法及系统。
技术实现要素:
本发明的目的在于提供基于小样本量深度学习的特征提取方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于小样本量深度学习的特征提取方法,包括以下步骤:
s1.建立人脸数据库:对人脸进行采集产生目标特征,并存入人脸数据库中;
s2.人脸采集:通过人脸采集设备对目标物的人脸图像进行采集;
s3.图片处理:对采集的人脸图像进行去噪处理;
s4.特征提取:提取人脸图像中目标物的特征;
s5.特征对比:将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比。
优选的,所述s3中对采集的人脸图像进行去噪处理具体方法包括以下步骤:
s101.获取及输出图像信号;
s102.接收该图像信号并对该图像信号进行预处理得到图像数据,且对该图像数据中的当前像素点进行sobel算子计算以得到该当前像素点的sobel算子,并根据以下公式对该当前像素点的sobel算子进行校正:
其中,th为设定值,c_sobel_t为该校正后的sobel算子,c_sobel为校正前的该sobel算子,并根据校正后的sobel算子判断该当前像素点是否需进行去噪处理,若是,进入步骤s103,若否,进入步骤s104;
s103.计算该当前像素点周围的像素点的平均像素值,并利用该平均像素值及该校正后的sobel算子对该当前像素点进行去噪处理;
s104.判断该图像数据中的下一个像素点是否需进行去噪处理。
优选的,所述s4中提取人脸图像中目标物的特征的具体方法包括以下步骤:
s201.提取目标物的第一特征、第二特征、第三特征和第四特征特征;
s202.对目标物的第一特征和目标物的第二特征进行融合,得到第一融合特征;
s203.对第一融合特征和目标物的第三特征进行融合,得到第二融合特征,即得目标物的特征。
优选的,所述s2中对目标物的人脸图像进行采集还包括采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。
优选的,还包括以下步骤:s6.发出报警:当将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比时,如果检测不到与待识别人员匹配的目标特征,报警模块生成报警信号,所述报警信号的标识为未知人员闯入。
本发明还提供了基于小样本量深度学习的特征提取系统,包括人脸数据库、采集模块、图像去噪模块、深度学习网络模块和检测模块;
所述人脸数据库用于对人脸进行采集产生的目标特征进行存放;
所述采集模块用于通过人脸采集设备对目标物的人脸图像进行采集;
所述图像去噪模块用于对采集的人脸图像进行去噪处理;
所述深度学习网络模块用于提取人脸图像中目标物的特征;
所述检测模块用于对提取的目标物的特征与人脸数据库中的目标特征进行对比。
优选的,所述图像去噪模块包括图像信号获取单元和处理单元;所述图像信号获取单元用于获取及输出图像信;所述处理单元用于接收该图像信号并对该图像信号进行预处理得到图像数据,且对该图像数据中的当前像素点进行sobel算子计算以得到该当前像素点的sobel算子,并根据以下公式对该当前像素点的sobel算子进行校正:
其中,th为设定值,c_sobel_t为该校正后的sobel算子,c_sobel为校正前的该sobel算子,并根据校正后的sobel算子判断该当前像素点是否需进行去噪处理。
优选的,所述深度学习网络模块包括特征提取单元、第一融合单元和第二融合单元;所述特征提取单元用于提取目标物的第一特征、第二特征、第三特征和第四特征特征;所述第一特征融合单元用于对目标物的第一特征和目标物的第二特征进行融合,得到第一融合特征;所述第二特征融合单元用于对第一融合特征和目标物的第三特征进行融合,得到第二融合特征。
优选的,所述采集模块还包括人脸检测单元,所述人脸检测单元用于采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。
优选的,还包括报警模块,所述报警模块用于当将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比时,如果检测不到与待识别人员匹配的目标特征,报警模块生成报警信号,所述报警信号的标识为未知人员闯入。
与现有技术相比,本发明的有益效果是:本发明通过对图像进行去噪处理,使图像的识别精度得到提高,提高了图像信噪比水平,使该方法具有人脸图像特征提取速度快、准确度高的特点。
附图说明
图1为本发明的流程框图;
图2为本发明的结构框图。
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。
实施例1
请参阅图1,本发明提供一种技术方案:基于小样本量深度学习的特征提取方法,包括以下步骤:
s1.建立人脸数据库:对人脸进行采集产生目标特征,并存入人脸数据库中;
s2.人脸采集:通过人脸采集设备对目标物的人脸图像进行采集;
s3.图片处理:对采集的人脸图像进行去噪处理;
s4.特征提取:提取人脸图像中目标物的特征;
s5.特征对比:将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比。
本实施例中,优选的,所述s3中对采集的人脸图像进行去噪处理具体方法包括以下步骤:
s101.获取及输出图像信号;
s102.接收该图像信号并对该图像信号进行预处理得到图像数据,且对该图像数据中的当前像素点进行sobel算子计算以得到该当前像素点的sobel算子,并根据以下公式对该当前像素点的sobel算子进行校正:
其中,th为设定值,c_sobel_t为该校正后的sobel算子,c_sobel为校正前的该sobel算子,并根据校正后的sobel算子判断该当前像素点是否需进行去噪处理,若是,进入步骤s103,若否,进入步骤s104;
s103.计算该当前像素点周围的像素点的平均像素值,并利用该平均像素值及该校正后的sobel算子对该当前像素点进行去噪处理;
s104.判断该图像数据中的下一个像素点是否需进行去噪处理。
本实施例中,优选的,所述s4中提取人脸图像中目标物的特征的具体方法包括以下步骤:
s201.提取目标物的第一特征、第二特征、第三特征和第四特征特征;
s202.对目标物的第一特征和目标物的第二特征进行融合,得到第一融合特征;
s203.对第一融合特征和目标物的第三特征进行融合,得到第二融合特征,即得目标物的特征。
本实施例中,优选的,所述s2中对目标物的人脸图像进行采集还包括采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。
本实施例中,优选的,还包括以下步骤:s6.发出报警:当将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比时,如果检测不到与待识别人员匹配的目标特征,报警模块生成报警信号,所述报警信号的标识为未知人员闯入。
实施例2
请参阅图2,基于小样本量深度学习的特征提取系统,包括人脸数据库、采集模块、图像去噪模块、深度学习网络模块和检测模块;
所述人脸数据库用于对人脸进行采集产生的目标特征进行存放;
所述采集模块用于通过人脸采集设备对目标物的人脸图像进行采集;
所述图像去噪模块用于对采集的人脸图像进行去噪处理;
所述深度学习网络模块用于提取人脸图像中目标物的特征;
所述检测模块用于对提取的目标物的特征与人脸数据库中的目标特征进行对比。
本实施例中,优选的,所述图像去噪模块包括图像信号获取单元和处理单元;所述图像信号获取单元用于获取及输出图像信;所述处理单元用于接收该图像信号并对该图像信号进行预处理得到图像数据,且对该图像数据中的当前像素点进行sobel算子计算以得到该当前像素点的sobel算子,并根据以下公式对该当前像素点的sobel算子进行校正:
其中,th为设定值,c_sobel_t为该校正后的sobel算子,c_sobel为校正前的该sobel算子,并根据校正后的sobel算子判断该当前像素点是否需进行去噪处理。
本实施例中,优选的,所述深度学习网络模块包括特征提取单元、第一融合单元和第二融合单元;所述特征提取单元用于提取目标物的第一特征、第二特征、第三特征和第四特征特征;所述第一特征融合单元用于对目标物的第一特征和目标物的第二特征进行融合,得到第一融合特征;所述第二特征融合单元用于对第一融合特征和目标物的第三特征进行融合,得到第二融合特征。
本实施例中,优选的,所述采集模块还包括人脸检测单元,所述人脸检测单元用于采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。
本实施例中,优选的,还包括报警模块,所述报警模块用于当将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比时,如果检测不到与待识别人员匹配的目标特征,报警模块生成报警信号,所述报警信号的标识为未知人员闯入。
实施例3
与实施例1的不同之处在于:所述s3中对采集的人脸图像进行去噪处理具体方法包括以下步骤:
s301.输入待处理图像,对待处理图像进行预处理,得到预处理图像;
s302.利用全变分图像去噪算法将预处理图像去噪转化成一个求能量函数的最小化问题模型,使得图像达到平滑状态,引入各向异性扩散方程用于图像去噪,预处理图像的椒盐及部分高斯混合噪声,在平滑噪声的同时使图像边缘得到保持,得到第一处理图像;
s303.利用非局部平均的nl-means算法对第一处理图像进行第二次处理,寻找第一处理图像中每个待处理像素点邻域附近相似度接近的邻域,并计算相似度接近的邻域中心像素点的权重,计算出各个权重值与对应像素点灰度值的乘积,然后将各乘积相加作为待处理像素点的灰度值,完成对待处理像素点的处理,对第一处理图像中每个像素点进行处理,最后得到去噪完成的图像;
本发明的工作原理及优点:本发明通过对图像进行去噪处理,使图像的识别精度得到提高,提高了图像信噪比水平,使该方法具有人脸图像特征提取速度快、准确度高的特点。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
1.基于小样本量深度学习的特征提取方法,其特征在于:包括以下步骤:
s1.建立人脸数据库:对人脸进行采集产生目标特征,并存入人脸数据库中;
s2.人脸采集:通过人脸采集设备对目标物的人脸图像进行采集;
s3.图片处理:对采集的人脸图像进行去噪处理;
s4.特征提取:提取人脸图像中目标物的特征;
s5.特征对比:将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比。
2.根据权利要求1所述的基于小样本量深度学习的特征提取方法,其特征在于:所述s3中对采集的人脸图像进行去噪处理具体方法包括以下步骤:
s101.获取及输出图像信号;
s102.接收该图像信号并对该图像信号进行预处理得到图像数据,且对该图像数据中的当前像素点进行sobel算子计算以得到该当前像素点的sobel算子,并根据以下公式对该当前像素点的sobel算子进行校正:
其中,th为设定值,c_sobel_t为该校正后的sobel算子,c_sobel为校正前的该sobel算子,并根据校正后的sobel算子判断该当前像素点是否需进行去噪处理,若是,进入步骤s103,若否,进入步骤s104;
s103.计算该当前像素点周围的像素点的平均像素值,并利用该平均像素值及该校正后的sobel算子对该当前像素点进行去噪处理;
s104.判断该图像数据中的下一个像素点是否需进行去噪处理。
3.根据权利要求1所述的基于小样本量深度学习的特征提取方法,其特征在于:所述s4中提取人脸图像中目标物的特征的具体方法包括以下步骤:
s201.提取目标物的第一特征、第二特征、第三特征和第四特征特征;
s202.对目标物的第一特征和目标物的第二特征进行融合,得到第一融合特征;
s203.对第一融合特征和目标物的第三特征进行融合,得到第二融合特征,即得目标物的特征。
4.根据权利要求1所述的基于小样本量深度学习的特征提取方法,其特征在于:所述s2中对目标物的人脸图像进行采集还包括采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。
5.根据权利要求1所述的基于小样本量深度学习的特征提取方法,其特征在于:还包括以下步骤:s6.发出报警:当将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比时,如果检测不到与待识别人员匹配的目标特征,报警模块生成报警信号,所述报警信号的标识为未知人员闯入。
6.基于小样本量深度学习的特征提取系统,其特征在于:包括人脸数据库、采集模块、图像去噪模块、深度学习网络模块和检测模块;
所述人脸数据库用于对人脸进行采集产生的目标特征进行存放;
所述采集模块用于通过人脸采集设备对目标物的人脸图像进行采集;
所述图像去噪模块用于对采集的人脸图像进行去噪处理;
所述深度学习网络模块用于提取人脸图像中目标物的特征;
所述检测模块用于对提取的目标物的特征与人脸数据库中的目标特征进行对比。
7.根据权利要求6所述的基于小样本量深度学习的特征提取系统,其特征在于:所述图像去噪模块包括图像信号获取单元和处理单元;所述图像信号获取单元用于获取及输出图像信;所述处理单元用于接收该图像信号并对该图像信号进行预处理得到图像数据,且对该图像数据中的当前像素点进行sobel算子计算以得到该当前像素点的sobel算子,并根据以下公式对该当前像素点的sobel算子进行校正:
其中,th为设定值,c_sobel_t为该校正后的sobel算子,c_sobel为校正前的该sobel算子,并根据校正后的sobel算子判断该当前像素点是否需进行去噪处理。
8.根据权利要求6所述的基于小样本量深度学习的特征提取系统,其特征在于:所述深度学习网络模块包括特征提取单元、第一融合单元和第二融合单元;所述特征提取单元用于提取目标物的第一特征、第二特征、第三特征和第四特征特征;所述第一特征融合单元用于对目标物的第一特征和目标物的第二特征进行融合,得到第一融合特征;所述第二特征融合单元用于对第一融合特征和目标物的第三特征进行融合,得到第二融合特征。
9.根据权利要求6所述的基于小样本量深度学习的特征提取系统,其特征在于:所述采集模块还包括人脸检测单元,所述人脸检测单元用于采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。
10.根据权利要求6所述的基于小样本量深度学习的特征提取系统,其特征在于:还包括报警模块,所述报警模块用于当将s4中提取的目标物的特征与人脸数据库中的目标特征进行对比时,如果检测不到与待识别人员匹配的目标特征,报警模块生成报警信号,所述报警信号的标识为未知人员闯入。
技术总结