1.一种单样本人脸识别方法,其特征在于,包括:获取已标注的人脸图像数据,得到参考数据;
通过对所述参考数据进行多尺度支持向量变换,得到所述参考数据相应的多尺度高维投影;
提取所述多尺度高维投影的特征,得到所述参考数据相应的多尺度高维特征序列;
利用所述多尺度高维特征序列,分别对所述参考数据和待测试数据进行反投影,得到所述参考数据和所述待测试数据相应的虚拟图像;其中,所述利用所述多尺度高维特征序列,分别对所述参考数据和待测试数据进行反投影,得到所述参考数据和所述待测试数据相应的虚拟图像包括:根据多尺度支持向量变换特征序列{SV1,SV2,...,SVr}产生已标注的参考数据对应的多尺度支持向量变换虚拟图像Sir;其中,i=1,2,...,Ntr,Sij=LPij*SVj,LPi1=Xi,LPi(j+1)=LPij‑Sij,j=1,2,...,r;其中,Ntr为训练样本数量,Xi为已标注的参考数据,SVj为多尺度支持向量变换特征子,r为分解的尺度阶数;
根据所述参考数据对应的虚拟图像,计算所述待测试数据相应的虚拟图像的分类准确率,以完成对单样本的人脸识别。
2.根据权利要求1所述的单样本人脸识别方法,其特征在于,所述获取已标注的人脸图像数据,得到参考数据的过程包括:
获取已标注的人脸图像数据及相应的类别信息,得到参考数据。
3.根据权利要求1所述的单样本人脸识别方法,其特征在于,所述通过对所述参考数据进行多尺度支持向量变换,得到所述参考数据相应的多尺度高维投影的过程包括:对所述参考数据进行多尺度滤波,得到所述参考数据相应的格雷姆矩阵;
根据所述格雷姆矩阵,计算所述格雷姆矩阵的多尺度源变矩阵,得到所述参考数据相应的多尺度源变矩阵;
根据所述多尺度源变矩阵计算相应的支持向量过滤子,得到所述参考数据相应的支持向量过滤子;
利用所述向量过滤子,计算相应的多尺度高维投影矩阵,得到所述参考数据相应的多尺度高维投影矩阵。
4.根据权利要求3所述的单样本人脸识别方法,其特征在于,所述对所述参考数据进行多尺度滤波,得到所述参考数据相应的格雷姆矩阵的过程包括:利用高斯核函数对所述参考数据进行多尺度滤波,得到所述参考数据相应的格雷姆矩阵。
5.根据权利要求1所述的单样本人脸识别方法,其特征在于,所述提取所述多尺度高维投影的特征,得到所述参考数据相应的多尺度高维特征序列的过程包括:提取所述多尺度高维投影矩阵的中心行,得到所述参考数据相应的多尺度支持向量变换特征序列。
6.根据权利要求1至5任一项所述的单样本人脸识别方法,其特征在于,所述根据所述参考数据对应的虚拟图像,计算所述待测试数据相应的虚拟图像的分类准确率,以完成对单样本的人脸识别的过程包括:
根据所述参考数据对应的虚拟图像,利用最近邻方法计算所述待测试数据相应的虚拟图像的分类准确率,以完成对单样本的人脸识别。
7.一种单样本人脸识别系统,其特征在于,包括:参考数据获取模块,用于获取已标注的人脸图像数据,得到参考数据;
高维投影获取模块,用于通过对所述参考数据进行多尺度支持向量变换,得到所述参考数据相应的多尺度高维投影;
高维特征序列获取模块,用于提取所述多尺度高维投影的特征,得到所述参考数据相应的多尺度高维特征序列;
虚拟图像获取模块,用于利用所述多尺度高维特征序列,分别对所述参考数据和待测试数据进行反投影,得到所述参考数据和所述待测试数据相应的虚拟图像;其中,所述利用所述多尺度高维特征序列,分别对所述参考数据和待测试数据进行反投影,得到所述参考数据和所述待测试数据相应的虚拟图像包括:根据多尺度支持向量变换特征序列{SV1,SV2,...,SVr}产生已标注的参考数据对应的多尺度支持向量变换虚拟图像Sir;其中,i=1,
2,...,Ntr,Sij=LPij*SVj,LPi1=Xi,LPi(j+1)=LPij‑Sij,j=1,2,...,r;其中,Ntr为训练样本数量,Xi为已标注的参考数据,SVj为多尺度支持向量变换特征子,r为分解的尺度阶数;
分类准确率计算模块,用于根据所述参考数据对应的虚拟图像,计算所述待测试数据相应的虚拟图像的分类准确率,以完成对单样本的人脸识别。
8.一种单样本人脸识别设备,其特征在于,所述单样本人脸识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的单样本人脸识别程序,所述单样本人脸识别程序配置为实现如权利要求1至6中任一项所述的单样本人脸识别方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有单样本人脸识别程序,所述单样本人脸识别程序被处理器执行时实现如权利要求1至6中任一项所述的单样本人脸识别方法的步骤。