本發(fā)明涉及人臉識(shí)別領(lǐng)域，尤其涉及一種局部遮擋下魯棒性強(qiáng)、準(zhǔn)確性高的人臉識(shí)別方法。

背景技術(shù)：

隨著信息社會(huì)的迅速發(fā)展，人臉識(shí)別技術(shù)在全球范圍內(nèi)受到了廣泛的關(guān)注，在眾多公共場(chǎng)合下都有其重要的應(yīng)用，如公共安全、視頻監(jiān)控、網(wǎng)絡(luò)安全、金融銀行、門禁系統(tǒng)、考勤系統(tǒng)、人機(jī)交互等。在可控場(chǎng)合下，現(xiàn)有的許多人臉識(shí)別算法已經(jīng)取得了非常好的識(shí)別效果，但面向室外復(fù)雜場(chǎng)合下，這些算法的識(shí)別性能還難以令人滿意，存在許多難題迫切需要解決，例如：遮擋、光照、表情、姿態(tài)、年齡等難題。其中遮擋問題是比較突出的一個(gè)，主要原因有：遮擋使得人臉信息不完整，導(dǎo)致問題解決的難度較大；其次遮擋類型多樣、面積小不確定、位置具有隨機(jī)性，沒有合適的對(duì)遮擋問題建模的方法。

因人臉圖像遮擋類型多變，目前許多針對(duì)局部遮擋下的人臉識(shí)別技術(shù)多是以加權(quán)的方式來實(shí)施。2013年yigangpeng在《conferenceoncomputervisionandpattern》發(fā)表論文《robostsparsecodingforfacerecognition》針對(duì)遮擋和噪聲對(duì)相應(yīng)像素點(diǎn)賦予不同的權(quán)重。同年lu等人在《journalofvisualcommunication&imagerepresentation》發(fā)表論文《facerecognitionviaweightedsparserepresentation》。類似的利用數(shù)據(jù)集樣本的先驗(yàn)信息進(jìn)行加權(quán)的遮擋人臉識(shí)別算法還有很多。這一類算法大都只是停留在像素上對(duì)圖像進(jìn)行處理，在非控環(huán)境下，人臉圖像會(huì)受遮擋、姿態(tài)、關(guān)照、表情等變化，因而像素級(jí)的人臉識(shí)別方法魯邦性不強(qiáng)。另外加權(quán)的方式也會(huì)對(duì)人臉識(shí)別方法的魯棒性造成影響，傳統(tǒng)的利用人臉圖像整體進(jìn)行加權(quán)的方式以及簡(jiǎn)單的利用訓(xùn)練樣本和待測(cè)樣本的差值計(jì)算加權(quán)值很難適應(yīng)復(fù)雜的人臉圖像。此外，由于人臉圖像結(jié)構(gòu)的復(fù)雜性，如果直接將人臉圖像的特征作為人臉識(shí)別方法的輸入，方法的性能很可能不魯棒，原因在于待測(cè)人臉圖像提取的特征與訓(xùn)練集對(duì)應(yīng)類人臉圖像的特征集往往不在同一非線性子空間，因而在利用非線性的判別方法對(duì)人臉圖像進(jìn)行分類時(shí)，準(zhǔn)確性不高。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供分塊協(xié)同表示嵌入核稀疏表示遮擋人臉識(shí)別方法和裝置，其能解決已有局部遮擋人臉識(shí)別中魯棒性不強(qiáng)，準(zhǔn)確性不高等問題。

本發(fā)明的目的之一采用以下技術(shù)方案實(shí)現(xiàn)：

分塊協(xié)同表示嵌入核稀疏表示遮擋人臉識(shí)別方法，包括如下步驟：

s1、提取訓(xùn)練樣本的wld特征和測(cè)試樣本的wld特征，并生成訓(xùn)練樣本的字典矩陣a以及待測(cè)樣本的字典矩陣y；

s2、根據(jù)訓(xùn)練樣本的字典矩陣a獲取訓(xùn)練樣本的核矩陣k；

計(jì)算訓(xùn)練樣本的核矩陣k的特征值和特征向量，根據(jù)特征值的貢獻(xiàn)率獲取對(duì)應(yīng)的特征向量，并生成訓(xùn)練樣本的核投影矩陣；

s3、根據(jù)測(cè)試樣本的字典矩陣y獲取測(cè)試樣本的主對(duì)角線對(duì)稱的核矩陣k′；

s4、根據(jù)字典矩陣a、字典矩陣y、核矩陣k′和核矩陣k，投影到核投影矩陣中得到對(duì)應(yīng)的訓(xùn)練樣本的核訓(xùn)練樣本a'和待測(cè)樣本的核測(cè)試樣本y′；

s5、將訓(xùn)練樣本和測(cè)試樣本均劃分為若干個(gè)子圖像，通過協(xié)同表示計(jì)算得到訓(xùn)練樣本每個(gè)子圖像的協(xié)同表示系數(shù)；并根據(jù)訓(xùn)練樣本每一個(gè)子圖像的相似性獲取每一幅圖像的加權(quán)系數(shù)，形成加權(quán)系數(shù)矩陣w；

s6、根據(jù)加權(quán)系數(shù)矩陣w、核訓(xùn)練樣本a'、核測(cè)試樣本y'以及核稀疏表示方法得到分類結(jié)果。

作為優(yōu)選，s1具體包括如下步驟：

提取訓(xùn)練樣本的wld特征，以及提取測(cè)試樣本的wld特征，wld特征包括差分激勵(lì)特征和方向梯度特征；

將訓(xùn)練樣本的差分激勵(lì)特征和方向梯度特征均轉(zhuǎn)化為列向量，以及將測(cè)試樣本的差分激勵(lì)特征和方向梯度特征均轉(zhuǎn)化為列向量；

將所有的差分激勵(lì)特征的列向量和方向梯度特征的列向量組合得到訓(xùn)練樣本的字典矩陣a，以及待測(cè)樣本的字典矩陣y。

作為優(yōu)選，s2中“根據(jù)訓(xùn)練樣本的字典矩陣a獲取訓(xùn)練樣本的核矩陣k”具體包括如下步驟：

根據(jù)訓(xùn)練樣本的字典矩陣a獲取訓(xùn)練樣本的主對(duì)角線對(duì)稱的核矩陣k，具體根據(jù)以下高斯核函數(shù)：

其中，ai,j和ai',j'為字典矩陣a中任意兩個(gè)原子，原子為字典矩陣a中的一個(gè)列向量，σ是參數(shù)設(shè)置；i和i'均表示類，j表示i類中具體的某個(gè)原子，j′表示i'中具體的某個(gè)原子。

作為優(yōu)選，s2中的“計(jì)算訓(xùn)練樣本的核矩陣k的特征值和特征向量，根據(jù)特征值的貢獻(xiàn)率獲取對(duì)應(yīng)的特征向量，并生成訓(xùn)練樣本的核投影矩陣”具體包括如下步驟：

計(jì)算訓(xùn)練樣本的核矩陣k的特征值和特征向量，對(duì)核矩陣k的特征值進(jìn)行排序，并按照貢獻(xiàn)率為90％獲取排序若干個(gè)特征值，將這若干個(gè)特征值對(duì)應(yīng)的特征向量保存，構(gòu)成核投影矩陣。

作為優(yōu)選，s5中具體包括如下步驟：

將訓(xùn)練樣本和測(cè)試樣本均劃分為若干個(gè)子圖像；對(duì)每一個(gè)子圖像分別提取差分激勵(lì)特征和方向梯度特征；對(duì)每一個(gè)子圖像的差分激勵(lì)特征和方向梯度特征進(jìn)行協(xié)同表示；具體根據(jù)下述公式求得稀疏系數(shù)

具體的，其中b為任意一個(gè)子圖像的差分激勵(lì)特征和方向梯度特征的字典矩陣，i為單位矩陣，y為待測(cè)樣本任意一個(gè)子圖像的差分激勵(lì)特征和方向梯度特征形成的列向量；

根據(jù)求取相似性s′i，j；其中p為任意一個(gè)子圖像；

根據(jù)公式wi,j＝1/si',j獲取加權(quán)系數(shù)wi,j，加權(quán)系數(shù)wi,j形成加權(quán)系數(shù)矩陣w。

作為優(yōu)選，s6具體包括如下步驟：

根據(jù)加權(quán)系數(shù)矩陣w、核訓(xùn)練樣本a'和核測(cè)試樣本y'進(jìn)行加權(quán)的稀疏表示，加權(quán)稀疏表示分類方法表達(dá)式如下：

其中，為稀疏表示得到的稀疏系數(shù)，y′i,j為核測(cè)試樣本y′中第i類第j個(gè)原子，λ為正則化參數(shù)；然后根據(jù)下述公式將求解到的稀疏系數(shù)進(jìn)行分類，得到分類結(jié)果identify(y)：

其中ai'表示第i類所有的核訓(xùn)練樣本；表示樣本系數(shù)向量。

本發(fā)明的目的之二采用以下技術(shù)方案實(shí)現(xiàn)：

分塊協(xié)同表示嵌入核稀疏表示遮擋人臉識(shí)別裝置，具體包括：

第一模塊，用于提取訓(xùn)練樣本的wld特征和測(cè)試樣本的wld特征，并生成訓(xùn)練樣本的字典矩陣a以及待測(cè)樣本的字典矩陣y；

第二模塊，用于根據(jù)訓(xùn)練樣本的字典矩陣a獲取訓(xùn)練樣本的核矩陣k；

計(jì)算訓(xùn)練樣本的核矩陣k的特征值和特征向量，根據(jù)特征值的貢獻(xiàn)率獲取對(duì)應(yīng)的特征向量，并生成訓(xùn)練樣本的核投影矩陣；

第三模塊，用于根據(jù)測(cè)試樣本的字典矩陣y獲取測(cè)試樣本的主對(duì)角線對(duì)稱的核矩陣k′；

第四模塊，用于根據(jù)字典矩陣a、字典矩陣y、核矩陣k′和核矩陣k，投影到核投影矩陣中得到對(duì)應(yīng)的核訓(xùn)練樣本a'和核測(cè)試樣本y'；

第五模塊，用于將訓(xùn)練樣本和測(cè)試樣本均劃分為若干個(gè)子圖像，通過協(xié)同表示計(jì)算得到訓(xùn)練樣本每個(gè)子圖像的協(xié)同表示系數(shù)；并根據(jù)訓(xùn)練樣本每一個(gè)子圖像的相似性獲取每一幅圖像的加權(quán)系數(shù)，形成加權(quán)系數(shù)矩陣w；

第六模塊，用于根據(jù)加權(quán)系數(shù)矩陣w、核訓(xùn)練樣本a'、核測(cè)試樣本y′以及核稀疏表示方法得到分類結(jié)果。

相比現(xiàn)有技術(shù)，本發(fā)明的有益效果在于：考慮到整個(gè)人臉圖像當(dāng)中眼睛、鼻子、嘴等關(guān)鍵部位的特征對(duì)方法識(shí)別具有重要作用，更是為了能夠在遮擋情況下有效的計(jì)算訓(xùn)練集樣本和待測(cè)樣本間加權(quán)系數(shù)wi,j，本發(fā)明采取分塊的方式，選擇訓(xùn)練樣本與待測(cè)樣本最相似的塊來構(gòu)造加權(quán)系數(shù)wi,j。也就是說，通過分塊的方式可以盡最大可能的減小遮擋的影響以及有效利用人臉圖像當(dāng)中特征突出的部位，從而有效的構(gòu)造加權(quán)系數(shù)wi,j。具體相似性度量方式，本發(fā)明鑒于協(xié)同表示的優(yōu)勢(shì)以及有效刻畫人臉圖像紋理的wld特征，將兩者結(jié)合采用協(xié)同表示系數(shù)取絕對(duì)值來計(jì)算加權(quán)系數(shù)wi,j。此外針對(duì)人臉圖像的復(fù)雜性，待測(cè)樣本難以與訓(xùn)練集中對(duì)應(yīng)類樣本處于同一線性子空間，本發(fā)明利用了核方法，把待測(cè)樣本映射到了高維空間，使之與相應(yīng)類核訓(xùn)練樣本處于同一子空間，因而再利用稀疏表示方法進(jìn)行分類，提高了識(shí)別率。

附圖說明

圖1為本發(fā)明的遮擋人臉識(shí)別方法的流程圖；

圖2為本發(fā)明的分塊方式的示意圖；

圖3為本發(fā)明的像素c的示意圖。

具體實(shí)施方式

下面，結(jié)合附圖以及具體實(shí)施方式，對(duì)本發(fā)明做進(jìn)一步描述：

分塊協(xié)同表示嵌入核稀疏表示遮擋人臉識(shí)別方法，如圖1所示，主要分為六個(gè)步驟，包括提取訓(xùn)練集樣本和測(cè)試集樣本的特征，分塊計(jì)算協(xié)同表示系數(shù)并計(jì)算樣本加權(quán)系數(shù)，計(jì)算訓(xùn)練樣本字典的核矩陣，求解訓(xùn)練樣本字典核矩陣的主成分，計(jì)算測(cè)試樣本矩陣的核矩陣并將訓(xùn)練樣本集和測(cè)試樣本集向核投影矩陣做映射，進(jìn)行加權(quán)的稀疏表示分類。下面我們以ar人臉庫為優(yōu)選的案例來詳細(xì)介紹本發(fā)明的實(shí)施過程。該人臉庫中帶有墨鏡和圍巾遮擋圖像，類別數(shù)為100，本發(fā)明分別選取6張無遮擋的正面人臉圖像作為訓(xùn)練集，在無光照條件下墨鏡和圍巾遮擋圖像各選擇2張，在有光照條件下墨鏡和圍巾遮擋圖像各選擇4張。實(shí)施例中將通過本發(fā)明的方法，顯示出本發(fā)明較高的識(shí)別率，具體包括如下步驟：

步驟10、提取訓(xùn)練樣本的wld特征和測(cè)試樣本的wld特征，并生成訓(xùn)練樣本的字典矩陣a以及待測(cè)樣本的字典矩陣y；具體包括如下子步驟：

選擇帶有遮擋的人臉識(shí)別庫，將訓(xùn)練樣本和測(cè)試樣本進(jìn)行縮放處理，變成像素尺寸為64*48；

提取訓(xùn)練樣本的wld特征，wld特征包括差分激勵(lì)特征和方向梯度特征，以及提取測(cè)試樣本的差分激勵(lì)特征和方向梯度特征；

將訓(xùn)練樣本的差分激勵(lì)特征和方向梯度特征轉(zhuǎn)化為列向量，以及將測(cè)試樣本的差分激勵(lì)特征和方向梯度特征轉(zhuǎn)化為列向量；

將所有的差分激勵(lì)特征的列向量和方向梯度特征的列向量組合得到訓(xùn)練樣本的字典矩陣a，以及待測(cè)樣本的字典矩陣y。

步驟11、根據(jù)訓(xùn)練樣本的字典矩陣a獲取訓(xùn)練樣本的主對(duì)角線對(duì)稱的核矩陣k，具體根據(jù)以下高斯核函數(shù)：

其中，ai,j和ai',j'為字典矩陣a中任意兩個(gè)原子，原子為字典矩陣a中的一個(gè)列向量，σ是參數(shù)設(shè)置。i表示類，j表示i類中具體的某個(gè)原子；i'也表示類，j'表示i'中具體的某個(gè)原子；例如，某一個(gè)用戶的有多個(gè)樣本圖像，該用戶的樣本圖像為一個(gè)類。通過這種高斯核的計(jì)算方式可以在原始空間對(duì)樣本的內(nèi)積進(jìn)行計(jì)算，避免了在把樣本向量映射到高維空間中計(jì)算兩樣本向量進(jìn)行內(nèi)積操作的不便性。

步驟12、計(jì)算訓(xùn)練樣本的核矩陣k的特征值和特征向量，對(duì)核矩陣k的特征值進(jìn)行排序，按照貢獻(xiàn)率為90％獲取排序前m個(gè)特征值，將這m個(gè)特征值對(duì)應(yīng)的特征向量保存，構(gòu)成訓(xùn)練樣本的投影空間，并對(duì)訓(xùn)練樣本的投影空間進(jìn)行歸一化處理，得到核投影矩陣。其中貢獻(xiàn)率是按照矩陣特征值從大到小排列后進(jìn)行累加，累加的結(jié)果除以總的特征值的和就是貢獻(xiàn)率。

步驟13、根據(jù)測(cè)試樣本的字典矩陣y獲取測(cè)試樣本的主對(duì)角線

對(duì)稱的核矩陣k′，具體根據(jù)以下高斯核函數(shù)：

其中yi,j表示待測(cè)樣本的字典矩陣y中第i類的第j個(gè)原子。

步驟14、根據(jù)字典矩陣a、字典矩陣y、核矩陣k′和核矩陣k，投影到核投影矩陣中得到對(duì)應(yīng)的訓(xùn)練樣本的核訓(xùn)練樣本a'和待測(cè)樣本的核測(cè)試樣本y'，并對(duì)核訓(xùn)練樣本a'和核測(cè)試樣本y'進(jìn)行歸一化處理。

步驟20、分塊計(jì)算協(xié)同表示系數(shù)，并計(jì)算加權(quán)系數(shù)和加權(quán)系數(shù)矩陣。具體包括如下子步驟：

將訓(xùn)練樣本和測(cè)試樣本均劃分為若干個(gè)子圖像，考慮到整個(gè)人臉圖像當(dāng)中眼睛、鼻子、嘴等關(guān)鍵部位的特征對(duì)方法識(shí)別具有重要作用，如圖2所示，包括四中分塊方式，圖2(a)中的4*1，圖2(b)中的4*2，圖2(c)中的4*3和圖2(d)中的4*4；

對(duì)訓(xùn)練樣本和測(cè)試樣本每一個(gè)子圖像分別提取差分激勵(lì)特征和方向梯度特征；對(duì)訓(xùn)練樣本和測(cè)試樣本每一個(gè)子圖像的差分激勵(lì)特征和方向梯度特征進(jìn)行協(xié)同表示；具體根據(jù)下述公式求得稀疏系數(shù)

具體的，其中b為任意一個(gè)子圖像的差分激勵(lì)特征和方向梯度特征的字典矩陣，i為單位矩陣，y為待測(cè)樣本任意一個(gè)子圖像的差分激勵(lì)特征和方向梯度特征形成的列向量。

稀疏系數(shù)即協(xié)同表示系數(shù)。

根據(jù)下述公式求取相似性s′i，j：

其中p為任意一個(gè)子圖像。

根據(jù)相似性s′i，j，獲取加權(quán)系數(shù)wi,j，具體根據(jù)下述公式獲?。?/p>

wi,j＝1/s′i,j；

加權(quán)系數(shù)wi,j形成加權(quán)系數(shù)矩陣w，其中非主對(duì)角線上的元素值為0。

步驟30、根據(jù)加權(quán)系數(shù)矩陣w、核訓(xùn)練樣本a'和核測(cè)試樣本y'進(jìn)行加權(quán)的稀疏表示，加權(quán)稀疏表示分類方法表達(dá)式如下：

其中，為在核方法下稀疏表示得到的稀疏系數(shù)，y′i,j為核測(cè)試樣本y′中第i類第j個(gè)原子，λ為正則化參數(shù)；然后根據(jù)下述公式將求解到的稀疏系數(shù)進(jìn)行分類，得到分類結(jié)果identify(y)：

其中ai'表示第i類所有的核訓(xùn)練樣本；表示樣本系數(shù)向量，且只有與第i類對(duì)應(yīng)的系數(shù)才為非零值。分類結(jié)果identify(y)的實(shí)驗(yàn)結(jié)果如下表所示：

表1

表1可以證明實(shí)用本發(fā)明的識(shí)別方法可以得到較高的識(shí)別度。

其中，差分激勵(lì)特征描述了當(dāng)前像素與其領(lǐng)域像素之間的關(guān)系，如圖3所示，它的分子v1是當(dāng)前像素c的灰度值與其鄰域中各像素的灰度值差的總和v2，它的分母是當(dāng)前像素c的灰度值。差分激勵(lì)特征提取公式如下：

其中p為當(dāng)前像素c鄰域像素點(diǎn)的數(shù)目(通常值為8，即8鄰域)，vc為當(dāng)前像素的灰度值，為vc鄰域像素的灰度值。

方向梯度特征描述了中心像素c在垂直和水平方向上灰度差異的比值大小，即表征圖像的梯度信息，其提取公式如下：

本發(fā)明相對(duì)于現(xiàn)有技術(shù)有如下的優(yōu)點(diǎn)：考慮到整個(gè)人臉圖像當(dāng)中眼睛、鼻子、嘴等關(guān)鍵部位的特征對(duì)方法識(shí)別具有重要作用，更是為了能夠在遮擋情況下有效的計(jì)算訓(xùn)練集樣本和待測(cè)樣本間加權(quán)系數(shù)wi,j，本發(fā)明采取分塊的方式，選擇訓(xùn)練樣本與待測(cè)樣本最相似的塊來構(gòu)造加權(quán)系數(shù)wi,j。也就是說，通過分塊的方式可以盡最大可能的減小遮擋的影響以及有效利用人臉圖像當(dāng)中特征突出的部位，從而有效的構(gòu)造加權(quán)系數(shù)wi,j。具體相似性度量方式，本發(fā)明鑒于協(xié)同表示的優(yōu)勢(shì)以及有效刻畫人臉圖像紋理的wld特征，將兩者結(jié)合采用協(xié)同表示系數(shù)取絕對(duì)值來計(jì)算加權(quán)系數(shù)wi,j。此外針對(duì)人臉圖像的復(fù)雜性，待測(cè)樣本難以與訓(xùn)練集中對(duì)應(yīng)類樣本處于同一線性子空間，本發(fā)明利用了核方法，把待測(cè)樣本映射到了高維空間，使之與相應(yīng)類核訓(xùn)練樣本處于同一子空間，因而再利用稀疏表示方法進(jìn)行分類，提高了識(shí)別率。

對(duì)本領(lǐng)域的技術(shù)人員來說，可根據(jù)以上描述的技術(shù)方案以及構(gòu)思，做出其它各種相應(yīng)的改變以及形變，而所有的這些改變以及形變都應(yīng)該屬于本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。