本发明涉及样本扩充领域，特别是涉及一种基于单样本的人脸图像虚拟样本扩充方法及系统。
背景技术：
：大多数成熟的人脸识别技术都是针对样本较多的情况，这些现有的识别方法在很大程度上依赖于训练样本集的样本数量和其代表性，在实际的应用环境中，人脸图像数据库存在着一些潜在问题，比如由于样本采集的困难，很难获得每个人的多个不同人脸样本；或者数据库存储空间的限制，导致所存储的每个人的样本图像数量很有限，甚至每人只有一张图像，造成单样本问题。所谓单样本人脸识别，是指在人脸训练数据库中对于每个人只存储了一张用于训练的人脸图像，并通过此单张人脸图像识别不可预测的人脸图像的身份，如身份证认证、驾驶证认证、护照认证等此类识别问题都属于单样本人脸识别。在这种条件下，传统的人脸识别技术性能会严重的下降，甚至无法工作，很难取得较为理想的识别效果。因此，针对单样本情况下的人脸识别进行研究具有重要性和必要性。近几年，国内外研究人员在人脸识别问题中针对单样本问题的研究目前分为两种：一种是利用每人仅有的一幅人脸图像，采用各种方法产生此人的虚拟样本，进而来扩充训练样本集中此人的样本数量。但此类样本扩张法虽然丰富了训练样本，但产生的虚拟样本与原图像相似性太高，对原图像已有的人脸信息没有充分挖掘，识别率提高有限。另一种是，研究特征提取，采用各种技术对人脸图像提取特征，尽可能多地从原图像上获得有用的人脸特征信息，从而提高识别效果，但是此种方法依靠仅有的一张图像对其特征提取方法进行的改进与优化程度有限，对单样本人脸识别的识别效果提高甚少。技术实现要素：本发明的目的是提供一种基于单样本的人脸图像虚拟样本扩充方法及系统，用以扩充样本数量，提高人脸识别的准确率。为实现上述目的，本发明提供了如下方案：一种基于单样本的人脸图像虚拟样本扩充方法，所述方法包括：获取人脸图像；对所述人脸图像进行水平镜像变换，得到第一虚拟样本；所述水平镜像变换是将图像的左半部分与右半部分以图像的垂直中心轴为中心，进行交换；选取滑动窗口的窗口尺寸以及滑动步长，所述窗口尺寸以及所述滑动步长均小于所述人脸图像的边长；根据所述窗口尺寸以及滑动步长，对所述人脸图像进行截取，得到第二虚拟样本；通过位平面法对所述人脸图像进行处理，得到第三虚拟样本；分别对所述第二虚拟样本以及所述第三虚拟样本进行水平镜像变换，得到对应的第四虚拟样本和第五虚拟样本；分别对所述人脸图像、所述第一虚拟样本、所述第二虚拟样本以及所述第三虚拟样本进行非负矩阵分解重构，得到对应的第六虚拟样本、第七虚拟样本第八虚拟样本以及第九虚拟样本；确定人脸图像的虚拟样本集合；所述人脸图像的虚拟样本集合包括所述人脸图像、所述第一虚拟样本、所述第二虚拟样本、所述第三拟样本、所述第四虚拟样本、所述第五虚拟样本、所述第六虚拟样本、所述第七虚拟样本、所述第八虚拟样本以及第九虚拟样本。可选的，所述根据所述窗口尺寸以及滑动步长，对所述人脸图像进行截取，得到第二虚拟样本，具体包括：根据所述窗口尺寸、滑动步长以及所述人脸图像的尺寸，计算滑动次数；根据所述滑动次数以及滑动步长，截取所述人脸图像，得到第二虚拟样本。可选的，所述通过位平面法对所述人脸图像进行处理，得到第三虚拟样本，具体包括：获取所述人脸图像的位平面图；所述位平面图包括低位位平面图、中位位平面图以及高位位平面图；根据位高阈值，对所述位平面图进行选取，得到选取后的位平面图；对各所述选取后的位平面图进行组合，得到第三虚拟样本。可选的，所述对所述人脸图像进行非负矩阵分解重构，得到对应的第六虚拟样本，具体包括：获取所述人脸图像的灰度值；根据所述灰度值确定非负矩阵；根据所述非负矩阵确定第一矩阵以及第二矩阵；得到第一矩阵与所述第二矩阵的乘积为所述非负矩阵；根据所述第一矩阵以及所述第二矩阵，对所述人脸图像进行重构，得到第六虚拟样本。一种基于单样本的人脸图像虚拟样本扩充系统，所述系统包括：人脸图像获取模块，用于获取人脸图像；第一变换模块，用于对所述人脸图像进行水平镜像变换，得到第一虚拟样本；所述水平镜像变换是将图像的左半部分与右半部分以图像的垂直中心轴为中心，进行交换；选取模块，用于选取滑动窗口的窗口尺寸以及滑动步长，所述窗口尺寸以及所述滑动步长均小于所述人脸图像的边长；截取模块，用于根据所述窗口尺寸以及滑动步长，对所述人脸图像进行截取，得到第二虚拟样本；处理模块，用于通过位平面法对所述人脸图像进行处理，得到第三虚拟样本；第二变换模块，用于分别对所述第二虚拟样本以及所述第三虚拟样本进行水平镜像变换，得到对应的第四虚拟样本和第五虚拟样本；非负矩阵分解重构模块，用于分别对所述人脸图像、所述第一虚拟样本、所述第二虚拟样本以及所述第三虚拟样本进行非负矩阵分解重构，得到对应的第六虚拟样本、第七虚拟样本第八虚拟样本以及第九虚拟样本；确定模块，用于确定人脸图像的虚拟样本集合；所述人脸图像的虚拟样本集合包括所述人脸图像、所述第一虚拟样本、所述第二虚拟样本、所述第三拟样本、所述第四虚拟样本、所述第五虚拟样本、所述第六虚拟样本、所述第七虚拟样本、所述第八虚拟样本以及第九虚拟样本。可选的，所述截取模块具体包括：计算单元，用于根据所述窗口尺寸、滑动步长以及所述人脸图像的尺寸，计算滑动次数；截取单元，用于根据所述滑动次数以及滑动步长，截取所述人脸图像，得到第二虚拟样本。可选的，所述处理模块具体包括：位平面图获取单元，用于获取所述人脸图像的位平面图；所述位平面图包括低位位平面图、中位位平面图以及高位位平面图；选取单元，用于根据位高阈值，对所述位平面图进行选取，得到选取后的位平面图；组合单元，用于对各所述选取后的位平面图进行组合，得到第三虚拟样本。可选的，所述非负矩阵分解重构模块具体包括：灰度值获取单元，用于获取所述人脸图像的灰度值；非负矩阵确定单元，用于根据所述灰度值确定非负矩阵；第一矩阵以及第二矩阵确定单元，用于根据所述非负矩阵确定第一矩阵以及第二矩阵；得到第一矩阵与所述第二矩阵的乘积为所述非负矩阵；重构单元，用于根据所述第一矩阵以及所述第二矩阵，对所述人脸图像进行重构，得到第六虚拟样本。与现有技术相比，本发明具有以下技术效果：本发明针对单样本条件下的人脸识别进行研究。传统的人脸识别方法因为其主要依靠训练样本的数量，而导致单样本时特征提取不精确，造成识别率低下。因此，研究样本扩张法来直接丰富训练样本数量。但现有的样本扩张法产生的虚拟样本与原图像相关性高，不能充分发挥原图像所含人脸信息的作用。据此，本发明提出一种新的样本扩充方法和系统，该方法和系统将非负矩阵分解(NMF)叠加到镜像变换、滑动窗口法以及位图像法上产生丰富的虚拟样本。本发明综合了镜像变换、窗口滑动法、位平面法这三种样本扩张法的优势，提高了对姿态、表情、光照的鲁棒性。本发明对经过窗口滑动法、位平面法产生的虚拟样本再次进行了镜像变换，而经过镜像变换后的图像会包含较多的与原图像不同的信息，使得原样本信息被充分挖掘利用；对原图像以及镜像变换、窗口滑动法、位平面法产生的虚拟样本进行非负矩阵分解NMF重构出了新的图像，能够提高人脸识别的准确性。附图说明为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例基于单样本的人脸图像虚拟样本扩充方法的流程图；图2为本发明实施例人脸图像及其镜像变换生成的虚拟样本；图3为本发明实施例人脸图像及其滑动窗口法生成的虚拟样本；图4为本发明实施例人脸图像及其8个位平面图；图5为本发明实施例位平面合成的部分虚拟样本；图6为ORL人脸库部分人脸图像及其NMF重构图像；图7为FERET人脸库部分人脸图像及其NMF重构图像；图8为ORL人脸库某人对应的10幅虚拟样本；图9为FERET人脸库某人对应的10幅虚拟样本；图10为ORL人脸库，不同r值对应的平均识别率；图11为ORL人脸库，不同r值对应的NMF重构一幅图像的时间；图12为FERET人脸库，不同r值对应的平均识别率；图13为FERET人脸库，不同r值对应的NMF重构一幅图像的时间；图14为ORL人脸库，本发明与对比方法的识别率对比；图15为FERET人脸库，本发明与对比方法的识别率对比；图16为本发明实施例基于单样本的人脸图像虚拟样本扩充系统的结构框图。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。为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。图1为本发明实施例基于单样本的人脸图像虚拟样本扩充方法的流程图。如图1所示，一种基于单样本的人脸图像虚拟样本扩充方法包括：步骤101：获取人脸图像。步骤102：对所述人脸图像进行水平镜像变换，得到第一虚拟样本；所述水平镜像变换是将图像的左半部分与右半部分以图像的垂直中心轴为中心，进行交换。镜像变换是几何变换的一种，在不引入干扰信息的同时，能够在一定程度上减少头部旋转对识别效果的影响。图像的镜像变换包括三种：水平镜像、垂直镜像、对角镜像，这三种变换生成的虚拟样本如图2所示，它们的变换都没有改变原图像的形状。考虑到人脸图像拍摄的习惯性，这里选用水平镜像变换，其在一定程度上反映了人脸面部的某些可能变化，能够提供给该人脸样本更丰富的特征信息。水平镜像是将图像的左半部分与右半部分以图像的垂直中心轴为中心，进行交换。若原图像(人脸图像)尺寸大小为a×b，其中(x0,y0)的坐标点对应于水平镜像图中的坐标点为(x1,y1)，二者的关系满足下式：步骤103：选取滑动窗口的窗口尺寸以及滑动步长，所述窗口尺寸以及滑动步长均小于所述人脸图像的边长。步骤104：根据所述窗口尺寸以及滑动步长，对所述人脸图像进行截取，得到第二虚拟样本。根据所述窗口尺寸、滑动步长以及所述人脸图像的尺寸，计算滑动次数；根据所述滑动次数以及滑动步长，截取所述人脸图像，得到第二虚拟样本。滑动窗口法是选取一定的窗口尺寸和滑动步长，在图像的宽和高上进行滑动。此方法完全以图像本身的样本信息为基础，不会引入干扰信息，也不会受到外界噪声的影响，其扩充的样本最大程度上保持并强化原图像固有的信息。这里采用泛滑窗法，具体操作如下：设样本图像尺寸大小为a×b，滑动窗口尺寸大小为x×y，且x<a，y<b。窗口从图像的左上角开始进行滑动，则窗口在样本图像的宽和高这两个方向上分别能够滑动的距离为a-x，b-y；设置窗口在宽和高这两个方向上的滑动步长分别为x1，y1，且x1≤a-x，y1≤b-y。根据设置的样本图像尺寸、滑动窗口大小以及滑动步长大小，计算出窗口在样本图像的宽和高两个方向上分别可滑动的次数n1和n2，具体计算如下所示。根据计算出的滑动次数，将窗口在原图像上沿宽和高滑动相应的步长，即可截取到一系列虚拟样本，依次来扩充训练样本集。以ORL人脸库的人脸样本为例，图像尺寸为92×112，要想获取到的虚拟样本包含尽可能多的原图像信息，则需将窗口尺寸设置的略微大一些，比如设置窗口大小为84×104，宽和高两个方向上的滑动步长均设置为8，这样计算到的n1和n2的值均为2，将窗口从原图左上角开始滑动，一共得到4幅虚拟样本，如图3所示，这些样本可以看作是一个人的多幅人脸子图像。步骤105：通过位平面法对所述人脸图像进行处理，得到第三虚拟样本。获取所述人脸图像的位平面图；所述位平面图包括低位位平面图、中位位平面图以及高位位平面图；根据位高阈值，对所述位平面图进行选取，得到选取后的位平面图；对各所述选取后的位平面图进行组合，得到第三虚拟样本。在计算机中，图像的每一个像素点都是转换为8位二进制数据来存储的，从高位开始依次取出具有相同权值的位上的数值构成一个位平面，故一幅图像能够分解成8个位平面，如图4所示。每个不同的位平面分布的图像信息不同，只有几个较高位的位平面图分布着视觉可见的有意义的信息，其中高位位平面包含了图像明显的轮廓信息；中间位的位平面表示了图像的背景信息；低位位平面所涵盖的是图像的细节信息，但其随机性更强。将原图像记为A，生成的8幅位平面图像依次为A8，A7，A6…A1，将8幅图像按照不同的组合可以重新合成一系列新的图像，组合公式如公式(4)所示，可以通过调节αi(0≤αi≤1)的取值来获得不同组合下产生的虚拟样本。A'＝α8A8+α7A7+α6A6+…+α1A1(4)按照不同的权值对位图像进行组合，得到一系列虚拟样本如图5所示，从左到右权值依次设置为α8～α1＝1,α8～α2＝1,α8～α3＝1,...,α8～α6＝1，可以看出有低位位平面的组合与无低位位平面的组合形成的图像并无明显的视觉差异，说明低位位平面所包含的鉴别信息不多，对图像信息的构造起到的作用并不大，在构造虚拟图像时可以选择中高位位平面来构造。设置位平面的权重α8～α4＝1,α3～α1＝0，即选取高5位位平面根据权重相加组合产生虚拟样本。步骤106：分别对所述第二虚拟样本以及所述第三虚拟样本进行水平镜像变换，得到对应的第四虚拟样本和第五虚拟样本。步骤107：分别对所述人脸图像、所述第一虚拟样本、所述第二虚拟样本以及所述第三虚拟样本进行非负矩阵分解重构，得到对应的第六虚拟样本、第七虚拟样本第八虚拟样本以及第九虚拟样本。以人脸图像为例：获取所述人脸图像的灰度值；根据所述灰度值确定非负矩阵；根据所述非负矩阵确定第一矩阵以及第二矩阵；得到第一矩阵与所述第二矩阵的乘积为所述非负矩阵；根据所述第一矩阵以及所述第二矩阵，对所述人脸图像进行重构，得到第六虚拟样本。所述第一虚拟样本、所述第二虚拟样本以及所述第三虚拟样本的处理过程同上。NMF理论介绍非负矩阵分解(Non-negativeMatrixFactorization，NMF)的含义是，对于非负矩阵V，找到两个非负矩阵W与H，使得它们二者的乘积近似等于原始矩阵V。用数学语言描述为：给定一个m×n的非负矩阵V，寻找m×r的非负矩阵W与r×n的非负矩阵H，使得W和H满足公式(5)。原始矩阵V可以看作是对左矩阵W中所有列向量进行线性组合的加权和，而右矩阵H中的所有列向量的元素就是权重系数。因此，W是非负基矩阵，H是非负系数矩阵。此外，r的取值通常要满足因此W和H两个矩阵的维数都比原始矩阵V小，这时用系数矩阵H来取代原始矩阵V，这样就起到了降维的作用，r就是降维后的维数，也是非负基矩阵W对应基图像的个数。V≈WH(5)NMF的分解结果具有确切的物理意义，对于人脸图像来说，m×n的非负矩阵V可以理解为：V是由n幅m×1维的图像构成的矩阵，其每一列都代表一幅人脸图像的灰度值，且人脸图像灰度值为非负的值。NMF是基于部分的分解方法，对于人脸图像来说，分解结果得到的是人脸的子特征，符合局部构成整体的人类思维。根据公式(5)，非负矩阵W和H是原始图像V的近似，令Y＝WH(6)则Y即是重构的图像。而重构后的图像与原图像的逼近程度与r的取值有关。初始设置r值为60。以下图6、图7分别展示ORL和FERET两个人脸库中的部分原图及其对应的重构图像。r既是W矩阵所代表的基矩阵的个数，又是H矩阵的特征维数。通过调整r的大小就能得到不同的W和H矩阵，对于人脸图像来说，W＝[w1,w2,...,wr]是基图像，H＝[h1,h2,...,hr]是权值系数，则V中每一个人脸就是基图像的线性组合。对比原图与重构图像，可以直观地看出人脸重构图像的眉毛、眼睛、鼻子、嘴巴信息较为突出。NMF方法的基矩阵W和系数矩阵H都要求是非负的，这样H中的所有列向量的元素代表的权重系数对W中所有列向量进行的线性组合都是加性组合，并没有减运算，对图像具有更好的夹逼性，从而使得重构的人脸图像表达效果更好，使得对人脸图像信息的表示更加紧凑且更少冗余。步骤108：确定人脸图像的虚拟样本集合；所述人脸图像的虚拟样本集合包括所述人脸图像、所述第一虚拟样本、所述第二虚拟样本、所述第三拟样本、所述第四虚拟样本、所述第五虚拟样本、所述第六虚拟样本、所述第七虚拟样本、所述第八虚拟样本以及第九虚拟样本。图8ORL人脸库某人对应的10幅虚拟样本，图9FERET人脸库某人对应的10幅虚拟样本。根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明综合了镜像变换、窗口滑动法、位平面法这三种样本扩张法的优势，提高了对姿态、表情、光照的鲁棒性；对经过窗口滑动法、位平面法产生的虚拟样本再次进行了镜像变换，而经过镜像变换后的图像会包含较多的与原图像不同的信息，使得原样本信息被充分挖掘利用；对原图像以及镜像变换、窗口滑动法、位平面法产生的虚拟样本进行非负矩阵分解NMF重构出了新的图像，由于NMF的非负性约束，增强了对人脸图像的表征能力，通过选取最佳r值，使得重构图像所包含的人脸信息既紧凑又少冗余，为后续特征提取和分类识别奠定了良好的基础。实验仿真1.实验环境。仿真实验环境为Intel(R)Core(TM)i5-2520MCPU，6GB内存，Win7操作系统，MatlabR2015b软件。2.人脸库介绍。ORL人脸库有40类对象，每人10幅图像，本实验进行单样本人脸识别，使每人的10个样本轮流作为训练集，每次取每个人的第k个样本作为原始样本，其余9张图像作为测试集。因此原始训练集A共含40个样本，测试集Y共含360个样本。利用本文方法产生虚拟样本，每个样本有包括原始图像在内的10个虚拟样本，则该人脸库虚拟样本集E有480个训练样本。FERET人脸库选取200类对象，每人7幅图像，共计1400幅图像。本实验每人选取1张样本进行单样本人脸识别。由于该人脸库人脸图像的表情、姿态、光照等变化较大，因此本实验选择每人的第一张正脸图像作为训练集，其余6张作为测试集，记为testAll。其中，每人的第2-5张为姿态变化的图像，记为test1；每人的第6张为表情变化的图像，记为test2；每人的第7张为光照变化的图像，记为test3，如表1所示。因此原始训练集A共含200个样本，测试集test1有200个样本，test2有800个样本，test3有200个样本。虚拟样本集E则包含2400个训练样本。表1FERET人脸库的测试集划分测试集test1test2test3图像信息姿态变化表情变化光照变化位置第2-5张第6张第7张实验比较基准。本文在扩充好新的人脸训练集后，将训练样本和测试样本尺寸都统一为64×80，按照WPD-HOG金字塔特征提取方法进行特征提取，然后通过SVM进行分类识别。在ORL、FERET两个人脸数据库上进行单样本人脸识别的实验仿真，研究本文提出的基于NMF重构虚拟样本的方法在维数r值取不同值时对识别效果的影响，并将本发明与传统的镜面变换、滑动窗口法、位平面法这三种样本扩张法进行识别率的比较。设置对比实验，在ORL、FERET两个人脸库上验证本文提出的基于NMF重构虚拟样本方法的有效性。具体设置如下：本发明：对原始样本A分别利用镜像变换、窗口滑动、位平面法生成三个相应的虚拟样本A1、A2、A3；然后对其中两个窗口滑动法、位平面法对应的虚拟样本A2、A3再次进行镜像变换，产生两个虚拟样本M1、M2；此外，对A、A1、A2、A3都进行NMF重构产生新的虚拟样本N1、N2、N3、N4。最终的新的训练样本集E＝{A、A1、A2、A3、M1、M2、N1、N2、N3、N4}，本文这种用NMF重构虚拟样本来丰富训练样本集的方法在实验中记为“本发明”。原始：对训练样本集不采取任何方法进行扩充，直接进行后续特征提取和分类识别，该对比实验记为“原始”。镜像：对原始训练样本A进行镜像变换得到虚拟样本A1，将A和A1一起构成新的训练样本集B＝{A，A1}，将此种样本扩充方法简记为“镜像”。窗口：对原始训练样本A进行窗口滑动得到虚拟样本A2，将A和A2一起构成新的训练样本集C＝{A，A2}，将此种样本扩充方法简记为“窗口”。位平面：对原始训练样本A进行位平面法得到虚拟样本A3，将A和A3一起构成新的训练样本集D＝{A，A1}，将此种样本扩充方法简记为“位平面”。4.实验结果分析。首先，研究r值对识别率的影响。不同人脸库的最佳r值选择不同，以下将分别研究ORL、FERET两个人脸库的不同r值对识别率的影响，以及研究随着r值的增大NMF重构一幅图像所需要的运行时间。本文提出的新的样本扩张法在ORL人脸库上进行实验，r值取不同值时所对应的识别率如表2所示。表2ORL人脸库，r值对识别率的影响其中对应的平均识别率的对比在图10中一目了然地显示。不同r值对应的NMF重构一幅图像的时间如图11所示。本文提出的新的样本扩张法在FERET人脸库上进行实验，r值取不同值时所对应的识别率如表3所示，其中testAll训练集所代表的平均识别率的对比如图12所示。不同r值对应的NMF重构一幅图像的时间如图13所示。表3FERET人脸库，r值对识别率的影响根据以上在ORL和FERET两个人脸库上的实验仿真，可以看出本文提出的基于NMF重构虚拟样本的人脸识别方法有如下特点：在两个人脸库上的识别率都随r的增大而增大，当r大到一定程度时，识别率会回降。这是因为r值太小时，重构的图像所包含的人脸信息太少，不能对人脸进行有效表征；当r值太大时，重构的图像会掺杂很多冗余信息以及一些干扰识别率的信息。因此r值太小或者太大都对识别效果不利。人脸库所含样本越多，最佳r值越大。从实验结果可以看出，对于样本数为400的ORL人脸库来说，r值选择50时，效果最佳；对于样本数为1400的FERET人脸库来说，r值选择400时，效果最佳。这是因为NMF是针对整个训练集的，每幅图像的特征提取都和整个训练集密切相关，样本之间并不是独立的。因此当训练集样本数量增多时，最佳r值也相应增大。r值越大，重构一幅图像所需时间就越多。根据图6-9和图6-11的实验结果，可以看出随着r值的增大，重构图像的时间随之增大。重构图像，而r值是非负矩阵W的基图像个数，是H的特征维数，r值越大，重构图像越复杂，因此所需要的计算机运行时间越多。其次，研究所提方法的有效性：本发明与对比方法在ORL人脸库上的实验结果如图14所示。由图可知，本发明提出的新的样本扩张法比对比方法的识别率高出了约3％-8％。本发明与对比方法在FERET人脸库上的实验结果如图15所示。由图可知，本发明提出的新的样本扩张法比对比方法的识别率高出了约3％-5％。两个人脸库的实验仿真都证明了本发明的有效性。如图16所示，本发明还提供了一种基于单样本的人脸图像虚拟样本扩充系统，所述系统包括：人脸图像获取模块1601，用于获取人脸图像。第一变换模块1602，用于对所述人脸图像进行水平镜像变换，得到第一虚拟样本；所述水平镜像变换是将图像的左半部分与右半部分以图像的垂直中心轴为中心，进行交换。选取模块1603，用于选取滑动窗口的窗口尺寸以及滑动步长，所述窗口尺寸以及滑动步长均小于所述人脸图像的边长。截取模块1604，用于根据所述窗口尺寸以及滑动步长，对所述人脸图像进行截取，得到第二虚拟样本。所述截取模块1604具体包括：计算单元，用于根据所述窗口尺寸、滑动步长以及所述人脸图像的尺寸，计算滑动次数；截取单元，用于根据所述滑动次数以及滑动步长，截取所述人脸图像，得到第二虚拟样本。处理模块1605，用于通过位平面法对所述人脸图像进行处理，得到第三虚拟样本。所述处理模块1605具体包括：位平面图获取单元，用于获取所述人脸图像的位平面图；所述位平面图包括低位位平面图、中位位平面图以及高位位平面图；选取单元，用于根据位高阈值，对所述位平面图进行选取，得到选取后的位平面图；组合单元，用于对各所述选取后的位平面图进行组合，得到第三虚拟样本。第二变换模块1606，用于分别对所述第二虚拟样本以及所述第三虚拟样本进行水平镜像变换，得到对应的第四虚拟样本和第五虚拟样本。非负矩阵分解重构模块1067，用于分别对所述人脸图像、所述第一虚拟样本、所述第二虚拟样本以及所述第三虚拟样本进行非负矩阵分解重构，得到对应的第六虚拟样本、第七虚拟样本第八虚拟样本以及第九虚拟样本。非负矩阵分解重构模块1607具体包括：灰度值获取单元，用于获取所述人脸图像的灰度值；非负矩阵确定单元，用于根据所述灰度值确定非负矩阵；第一矩阵以及第二矩阵确定单元，用于根据所述非负矩阵确定第一矩阵以及第二矩阵；得到第一矩阵与所述第二矩阵的乘积为所述非负矩阵；重构单元，用于根据所述第一矩阵以及所述第二矩阵，对所述人脸图像进行重构，得到第六虚拟样本。确定模块1608，用于确定人脸图像的虚拟样本集合；所述人脸图像的虚拟样本集合包括所述人脸图像、所述第一虚拟样本、所述第二虚拟样本、所述第三拟样本、所述第四虚拟样本、所述第五虚拟样本、所述第六虚拟样本、所述第七虚拟样本、所述第八虚拟样本以及第九虚拟样本。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。当前第1页1 2 3