一种小样本识别方法及系统技术方案

本发明专利技术提供一种小样本识别方法，包括S1：样本准备，通过样本录入模块和样本筛选模块对样本进行筛选；S2：通过计算机分析模块对样本进行模型区域划分；S3：根据步骤S2划分出的模型区域，计算模型区域特征，通过图像识别模块对人脸进行识别；S4：对待识别的目标图像，进行区域识别，输出识别数据。本发明专利技术解决了图像识别时，需要大样本的问题，通过少量样本，就可以解决特征提取的问题，对出现拒识和误识，都可以给出合理的解释，由于不需要大量的样本，也不需要复杂的特征提取，算法复杂度大大降低，降低了计算硬件的成本。降低了计算硬件的成本。降低了计算硬件的成本。

【技术实现步骤摘要】
一种小样本识别方法及系统


[0001]本专利技术涉及样本识别领域领域，具体来说，涉及一种小样本识别方法及系统。

技术介绍

[0002]现在社会是一个智能化的社会，通过模式识别的手段可以代替人工完成很多的识别任务，降低劳动强度与难度。从治安防控的视频识别，到金融行业的钞票识别，再到医院的CT等影像识别，无一不用到模式识别的手段。
[0003]现有的主流的模式识别技术是深度学习技术，深度学习技术需要大量的样本，每一个类别的样板通常情况下，至少需要一千张，这个大大限制了深度学习的应用场景，并且深度学习算法复杂度高，需要GPU这样的加速卡才能实现快速运算，实现实时识别，还有深度学习通常还面临样本分布不均匀的情况，导致深度学习不收敛，由于深度学习的特征提取也是自动完成的，对出现拒识和误识的情况，通常无法做出合理的解释。
[0004]现有的深度学习，需要大量的样本，计算量大，需要GPU这样的加速卡；由于不能对特征提取做出直观的合理解释，导致不能对拒识和误识做出合理的解释，也不能对拒识和误识做出很好的控制来满足行业的精细化管理要求。
[0005]针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

[0006]针对上述问题，本专利技术提供一种小样本识别方法及系统，解决了筛选必须选择大样本的问题，通常需要不超过十个样本，解决了特征提取的问题，对出现拒识和误识，给出了合理的解释。
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种小样本识别方法，包括。
[0009]S1：样本准备，通过样本录入模块和样本筛选模块对样本进行筛选；
[0010]S2：通过计算机分析模块对样本进行模型区域划分；
[0011]S3：根据步骤S2划分出的模型区域，计算模型区域特征，通过图像识别模块对人脸进行识别；
[0012]S4：对待识别的目标图像，进行区域识别，输出识别数据。
[0013]作为本申请优选的技术方案，步骤S2中对模型区域划分的方法为：
[0014]S11：设对象划分区域的X轴左边坐标为X l，右边坐标为Xr；Y轴下边坐标为Yb，上边坐标为Yt，人脸图像的像素值为Pxy；
[0015]S12：该区域的像素均值为：
[0016]S13：该区域像素变化度量为：
[0017]S14：根据区域的像素均值及区域像素变化度量对模型区域进行划分。
[0018]作为本申请优选的技术方案，对上述区域进行上下左右滑动并且增大或减小区域
来寻找最佳区域，最佳区域的判断标准是该区域像素变化度量中选择最大的，记为Vm_max。
[0019]作为本申请优选的技术方案，所述区域像素变化度量Vm是各候选区域中最大的量，该区域的X轴左边坐标为X l_max，右边坐标为Xr_max，Y轴下边坐标为Yb_max，上边坐标为Yt_max。
[0020]作为本申请优选的技术方案，所述目标图像区域像素记为：Pxy_t，均值通过区域像素均值公式计算，记为：Am_t。
[0021]作为本申请优选的技术方案，所述目标图像待识别区域与样本图像最佳区域的相似度量公式如下：
[0022][0023]Sem值，为待识别图像与样本的相似度。
[0024]其中样本图像区域像素记为：Pxy_s，均值通过区域像素均值公式计算，记为：Am_s，目标图像区域像素变化度量为：Vm_t,样本图像目标图像区域像素变化度量为：Vm_s,其中
√
为数学公式的开方。
[0025]作为本申请优选的技术方案，所述样本模型区域划分包括眉毛、眼睛、鼻子、嘴巴及微表情。
[0026]一种小样本识别系统，包括样本录入模块、样本筛选模块、样本模型区域划分模块、摄像模块、图像识别模块、计算机分析模块、识别数据输出模块、电源模块、储存模块，上述模块之间通讯连接。
[0027]作为本申请优选的技术方案，所述样本准备数量不超过10个。
[0028]作为本申请优选的技术方案，所述图像识别模块和计算机分析模块用于模型区域划分与图像识别。
[0029]本专利技术的工作原理：通过样本筛选模块选定样本，然后通过样本录入模块录入不超过10个样本，对样本进行样本模型区域划分，选择眉毛、嘴角、鼻子等进行图像识别，样本模型区域和图像识别识别运用计算机分析模块计算得出数据，然后通过数据输出模块输出结果，其中摄像模块将识别后的图像记录，传输到储存模块，供下次使用。
[0030]与现有技术相比，本专利技术具有以下有益效果：(1)本专利技术与深度学习相比，这个过程大大简化，计算量也大幅降低；(2)本专利技术提供的算法可以精确区分左右脸光照不同带来的阴阳脸问题；(3)本专利技术特征提取规则化，显示化，便于可视化直观理解；(4)本专利技术可以更好的处理拒识与误识的问题，也更好的控制拒识率与误识率；(5)本专利技术具有储存人脸的功能，可供必要时使用；(6)本专利技术不需要大量的样本，也不需要复杂的特征提取，算法复杂度大大降低，降低了计算硬件的成本。
[0031]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术的样本视图；
[0034]图2是本专利技术的其中一个实施例的视图；
[0035]图3是本专利技术的另一个实施例的视图；
[0036]图4是本专利技术的另一个实施例的视图；
[0037]图5是本专利技术的另一个实施例的视图。
[0038]图中：1、眉毛；2、鼻子；3、眼睛；4.嘴角。
具体实施方式
[0039]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置的例子。
[0040]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0041]实施例1:
[0042]如图1
‑
2所示，首先选定样本，当选择识别眉毛时：
[0043]1、计算均值和变化量：
[0044]设眉毛划分区域的X轴左边坐标为Xl，右边坐标为Xr；Y轴下边坐标为Yb，上边坐标为Yt，人脸图像的像素值为Pxy。
[0045][0046]/((Xr
‑
Xl)(Yt
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本识别方法，其特征在于，包括。S1：样本准备，通过样本录入模块和样本筛选模块对样本进行筛选；S2：通过计算机分析模块对样本进行模型区域划分；S3：根据步骤S2划分出的模型区域，计算模型区域特征，通过图像识别模块对人脸进行识别；S4：对待识别的目标图像，进行区域识别，输出识别数据。2.根据权利要求1所述的小样本识别方法，其特征在于，步骤S2中对模型区域划分的方法为：S11：设对象划分区域的X轴左边坐标为Xl，右边坐标为Xr；Y轴下边坐标为Yb，上边坐标为Yt，人脸图像的像素值为Pxy；S12：该区域的像素均值为：S13：该区域像素变化度量为：S14：根据区域的像素均值及区域像素变化度量对模型区域进行划分。3.根据权利要求2所述的小样本识别方法，其特征在于：对上述区域进行上下左右滑动并且增大或减小区域来寻找最佳区域，最佳区域的判断标准是该区域像素变化度量中选择最大的，记为Vm_max。4.根据权利要求3所述的小样本识别方法，其特征在于：所述区域像素变化度量Vm是各候选区域中最大的量，该区域的X轴左边坐标为Xl_max，右边坐标为Xr_max，Y轴下边坐标为Yb_max，上边坐标为Yt_max。5.根据权利...

【专利技术属性】
技术研发人员：杨小萍，
申请(专利权)人：广州慧兔机器人有限公司，
类型：发明
国别省市：