1.一种基于视频的人脸识别方法,其特征在于,包括如下步骤:导入视频数据集,所述视频数据集包括多个视频数据;
分别对各个所述视频数据进行转换,得到与所述视频数据对应的多个视频帧;
分别对各个所述视频帧进行特征提取,得到与各个所述视频帧对应的人脸特征向量和权重,并集合所有的人脸特征向量得到人脸特征向量集;
对所述人脸特征向量集和所有的权重进行评价分析,得到最优特征向量,并将所述最优特征向量作为人脸识别结果。
2.根据权利要求1所述的基于视频的人脸识别方法,其特征在于,所述分别对各个所述视频帧进行特征提取,得到与各个所述视频帧对应的人脸特征向量和权重的过程包括:通过卷积神经网络SSD分别对各个所述视频帧进行特征提取,得到与各个所述视频帧对应的人脸特征向量和权重。
3.根据权利要求1所述的基于视频的人脸识别方法,其特征在于,所述对所述人脸特征向量集和所有的权重进行评价分析,得到最优特征向量的过程包括:分别计算各个所述权重的信息量,得到与各个所述视频帧对应的多个信息量;
分别对多个信息量进行总信息量的计算,得到与各个所述视频帧对应的总信息量;
根据各个所述权重分别对所述人脸特征向量集、所述人脸特征向量集中任意两个人脸特征向量以及两个所述人脸特征向量对应的总信息量进行特征评价函数的计算,得到与各个所述权重对应的特征评价函数;
对所有的特征评价函数进行最小值的筛选,得到最小特征评价函数,并将所述最小特征评价函数对应的人脸特征向量作为最优特征向量。
4.根据权利要求3所述的基于视频的人脸识别方法,其特征在于,所述分别计算各个所述权重的信息量,得到与各个所述视频帧对应的多个信息量的过程包括:通过第一式分别计算各个所述权重的信息量,得到与各个所述视频帧对应的多个信息量,所述第一式为:
其中,h(xj)为信息量,xj为第j个神经元, 为第i个权重。
5.根据权利要求3所述的基于视频的人脸识别方法,其特征在于,所述分别对多个信息量进行总信息量的计算,得到与各个所述视频帧对应的总信息量的过程包括:通过第二式分别对多个信息量进行总信息量的计算,得到与各个所述视频帧对应的总信息量,所述第二式为:
其中,H(X)为总信息量,h(xj)为有效信息量。
6.根据权利要求5所述的基于视频的人脸识别方法,其特征在于,所述根据各个所述权重分别对所述人脸特征向量集、所述人脸特征向量集中任意两个人脸特征向量以及两个所述人脸特征向量对应的总信息量进行特征评价函数的计算,得到与各个所述权重对应的特征评价函数的过程包括:
根据第三式和各个所述权重分别对所述人脸特征向量集、所述人脸特征向量集中任意两个人脸特征向量以及两个所述人脸特征向量对应的总信息量进行特征评价函数的计算,得到与各个所述权重对应的特征评价函数,所述第三式为:其中,Derror(ai,aj,a^)=|D(a^,ai)‑D(a^,aj)|if H(Xi)
其中,a^=WA,
其中,F(a^)为特征评价函数,k为人脸特征向量集中人脸特征向量的个数,ai和aj分别为人脸特征向量集中任意两个人脸特征向量,a^为需要学习的人脸特征向量,Xi为人脸特T
征向量ai对应的总信息量,Xj为人脸特征向量aj对应的总信息量,A为人脸特征向量集,W 为权重。
7.一种基于视频的人脸识别装置,其特征在于,包括:数据集导入模块,用于导入视频数据集,所述视频数据集包括多个视频数据;
数据转换模块,用于分别对各个所述视频数据进行转换,得到与所述视频数据对应的多个视频帧;
特征提取模块,用于分别对各个所述视频帧进行特征提取,得到与各个所述视频帧对应的人脸特征向量和权重,并集合所有的人脸特征向量得到人脸特征向量集;
识别结果获得模块,用于对所述人脸特征向量集和所有的权重进行评价分析,得到最优特征向量,并将所述最优特征向量作为人脸识别结果。
8.根据权利要求7所述的基于视频的人脸识别装置,其特征在于,所述特征提取模块具体用于:
通过卷积神经网络SSD分别对各个所述视频帧进行特征提取,得到与各个所述视频帧对应的人脸特征向量和权重。
9.一种基于视频的人脸识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,实现如权利要求1至6任一项所述的基于视频的人脸识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至6任一项所述的基于视频的人脸识别方法。