一種基于區(qū)域稀疏的單張訓(xùn)練樣本人臉識(shí)別方法
【專利摘要】本發(fā)明公開一種基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，對(duì)訓(xùn)練樣本采用重疊分塊的方式進(jìn)行分塊，獲得多個(gè)位置的人臉塊；對(duì)于每一個(gè)位置相應(yīng)的所有人臉塊，引入外部的人臉數(shù)據(jù)，使用SVDL算法學(xué)習(xí)該位置的類間變化字典，且學(xué)習(xí)該位置的圖像表示字典；對(duì)于待驗(yàn)證的人臉圖像，將這些圖像進(jìn)行分塊，使用每一個(gè)分塊對(duì)應(yīng)的位置字典求該分塊的稀疏編碼向量；利用稀疏編碼向量求分塊的權(quán)重；根據(jù)權(quán)重與編碼向量，計(jì)算基于權(quán)重的最小殘差，進(jìn)行分類得到識(shí)別結(jié)果。本發(fā)明能夠有效地獲取人臉圖像中的鑒別性特征，在單張訓(xùn)練樣本情況下的人臉識(shí)別，對(duì)人臉的各種變化如：遮擋、表情、光照變化仍然保持很好的魯棒性。
【專利說(shuō)明】
一種基于區(qū)域稀疏的單張訓(xùn)練樣本人臉識(shí)別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域，更具體地，涉及一種基于稀疏表示的人臉識(shí)別方法。
【背景技術(shù)】
[0002] 科技的發(fā)展使得攝像設(shè)備得到了普及，數(shù)量巨大的人臉圖像數(shù)據(jù)也隨之產(chǎn)生。同 時(shí)，許多領(lǐng)域都需要應(yīng)用人臉識(shí)別技術(shù)，如:各種會(huì)場(chǎng)入口、海關(guān)過(guò)境通道、公路卡口、銀行 大廳入口等。在這些應(yīng)用中，可能只能獲得單張訓(xùn)練樣本，基于單張訓(xùn)練樣本的人臉識(shí)別技 術(shù)。幾乎所有的人臉識(shí)別的應(yīng)用都是基于多訓(xùn)練樣本的，但在一些特殊的場(chǎng)合，比如法律實(shí) 施、護(hù)照驗(yàn)證、身份證驗(yàn)證等等，每類(人）只能得到一幅圖像，當(dāng)只能用這些數(shù)目有限的圖 像去訓(xùn)練人臉識(shí)別系統(tǒng)時(shí)，這些人臉識(shí)別技術(shù)和系統(tǒng)就無(wú)所適從了，也就不能應(yīng)用了。因此 解決了單樣本人臉識(shí)別問(wèn)題，就可以大大拓寬人臉識(shí)別的應(yīng)用范圍，使其更廣泛地為人類 服務(wù)。
[0003] 由于人臉識(shí)別有很大的潛在價(jià)值，所以此課題作為一個(gè)研究熱點(diǎn)已經(jīng)持續(xù)了至少 30年時(shí)間，很多種方法都被提出，例如:何曉飛提出的局部保持投影算法，LPP在降維的同時(shí) 能保留圖像空間的局部結(jié)構(gòu)，其本質(zhì)是對(duì)LE的線性逼近。在LPP算法基礎(chǔ)上，Cai等提出正交 Laplacianf ace方法，Yu等提出利用樣本類標(biāo)信息的基于Fisher準(zhǔn)則的鑒別局部保持投影， Yan等提出基于局部鄰域關(guān)系的間隔Fisher分析(Marginal Fisher Analysis，MFA) ,Zhang 等提出人臉識(shí)別的最近子流形方法，Wu等提出基于測(cè)地距離和相關(guān)主元分析相結(jié)合的人臉 識(shí)別算法，Yang等提出一種局部最小化、全局最大化的無(wú)監(jiān)督鑒別投影方法。
[0004] 基于稀疏表示法的主要思想是:首先，對(duì)訓(xùn)練樣本的人臉圖像提取特征構(gòu)成一個(gè) 字典，然后對(duì)待分類的人臉圖像提取同樣的特征;接下來(lái)計(jì)算待分類的圖像在字典中的稀 疏編碼表示，最后計(jì)算最小殘差進(jìn)行分類。，John Wrigh等人借助于稀疏表示和壓縮感知的 理論框架，提出一種具有魯棒性的稀疏表示分類的人像算法。d ' AsPremont等利用半定歸劃 的方法提出了直接的稀疏主成分學(xué)習(xí)。
[0005] Moghaddam等提出利用矩陣譜邊界的思想進(jìn)行稀疏子空間學(xué)習(xí)并得到一個(gè)一般的 算法框架，即利用貪婪算法進(jìn)行稀疏主成分學(xué)習(xí)與稀疏線性鑒別分析。Qiao等提出無(wú)監(jiān)督 的稀疏保持投影人臉識(shí)別方法，該方法旨在保持?jǐn)?shù)據(jù)的稀疏重構(gòu)關(guān)系，得到的投影具有旋 轉(zhuǎn)、尺度和平移不變性，并且包含了本質(zhì)的鑒別信息，后來(lái)，則通過(guò)利用類內(nèi)與類間散度矩 陣構(gòu)造新的優(yōu)化準(zhǔn)則進(jìn)行稀疏回歸，把LDA推廣到了稀疏線性鑒別分析(SLDA)，該方法利用 稀疏表示理論構(gòu)造描述數(shù)據(jù)的鄰接關(guān)系的譜圖，以此來(lái)模擬數(shù)據(jù)的局部結(jié)構(gòu)該方法利用稀 疏表示理論構(gòu)造描述數(shù)據(jù)的鄰接關(guān)系的譜圖，以此來(lái)模擬數(shù)據(jù)的局部結(jié)構(gòu)。
[0006] 上述方法大多訓(xùn)練樣本的人臉識(shí)別中取得了較好的效果，但在單張訓(xùn)練樣本的情 況下效果不理想，對(duì)于只能獲取單張訓(xùn)練樣本的場(chǎng)合無(wú)法應(yīng)用這些方法。

【發(fā)明內(nèi)容】

[0007] 為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于區(qū)域稀疏表示的人臉識(shí)別 方法。該方法將待分類的人臉圖像作為輸入，進(jìn)行多區(qū)域的特征提取和識(shí)別，最后輸出人臉 的分類結(jié)果。
[0008] 為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：
[0009] -種基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，包括：
[0010]圖像訓(xùn)練：
[0011] (1)基于訓(xùn)練樣本人臉圖像，采用重疊的方式進(jìn)行分塊，每一幅圖像相同位置的分 塊構(gòu)成該位置的子集；
[0012] (2)對(duì)于每一個(gè)位置的圖像子集，訓(xùn)練該位置的圖像表示字典，采集與訓(xùn)練圖像不 相關(guān)的圖像作為外部數(shù)據(jù)，對(duì)這些圖像做同樣的分塊處理，將這些互聯(lián)網(wǎng)上的圖像的每一 個(gè)位置的分塊結(jié)合訓(xùn)練樣本該位置的分塊利用SVDL算法訓(xùn)練外部字典，并結(jié)合訓(xùn)練樣本的 圖像表示字典與外部字典；
[0013]圖像識(shí)別：
[0014] (3)對(duì)于待分類的人臉圖像，先進(jìn)行重疊方式的分塊，然后使用每一個(gè)分塊對(duì)應(yīng)的 位置字典求該分塊的稀疏編碼向量；
[0015] (4)利用每一個(gè)分塊的稀疏編碼向量求該分塊的權(quán)重；
[0016] (5)根據(jù)每一個(gè)分塊的權(quán)重與編碼向量，計(jì)算基于權(quán)重的最小殘差進(jìn)行分類得到 正確的識(shí)別結(jié)果。
[0017] 優(yōu)選的，所述步驟(1)中，對(duì)訓(xùn)練樣本人臉圖像A采用重疊的方式分塊，每一個(gè)位置 的人臉塊構(gòu)建該位置的人臉子集，則獲得多個(gè)位置對(duì)應(yīng)的圖像子集。
[0018] 優(yōu)選的，所述步驟(2)中，對(duì)于每一個(gè)位置對(duì)應(yīng)的圖像子集，即人臉塊集合，構(gòu)成一 個(gè)圖像表示字典六1，慮到原始圖像帶有豐富的鑒別性特征，向量化圖像塊子集構(gòu)建圖像表 示字典，同時(shí)采集與訓(xùn)練圖像不相關(guān)的圖像，對(duì)這些圖像做同樣的分塊處理，將這些互聯(lián)網(wǎng) 上的圖像的每一個(gè)位置的分塊結(jié)合訓(xùn)練樣本該位置的分塊利用SVDL算法學(xué)習(xí)外部字典D 1, 彌補(bǔ)在單張訓(xùn)練樣本情況下的信息不足。
[0019] 優(yōu)選的，所述步驟(3)中，對(duì)于待分類的人臉圖像，先對(duì)圖像采用與訓(xùn)練樣本相同 的方式分塊，然后對(duì)于每一個(gè)分塊，使用稀疏表示法求出稀疏編碼向量，計(jì)算方式如下：
[0020]
[0021] κ ,，Λ - ^. . .，_>，Λ11 Aia; Λ?α」，A表示測(cè)試人臉的第i個(gè)分塊在圖像表示 字典與外部字典上的稀疏編碼向量，Xia表示第i個(gè)分塊在圖像表示字典上的編碼向量，Xid 表示第i個(gè)分塊在圖像在外部字典上的稀疏編碼向量，X表示X 1的匯總集合，B表示將人臉?lè)?成的總塊數(shù)，yi表示測(cè)試人臉的第i個(gè)分塊的向量化特征,A 1是第i個(gè)分塊對(duì)應(yīng)位置的圖像表 示字典，D1是第i個(gè)分塊對(duì)應(yīng)位置的外部字典，λ是一個(gè)參數(shù)，用于防止過(guò)擬合，平衡稀疏性， 下標(biāo)F表示要計(jì)算F范數(shù)。
[0022]優(yōu)選的，所述步驟(4)中，對(duì)每一個(gè)人臉?lè)謮K，獲得該人臉?lè)謮K的稀疏編碼向量后， 計(jì)算該人臉?lè)謮K的權(quán)重，具體過(guò)程如下：
[0023]
[0024] 其中，Η'/表示第i個(gè)分塊對(duì)于的第j個(gè)訓(xùn)練樣本的權(quán)重，4表示第j個(gè)訓(xùn)練樣本在編 碼向量Xia上的元素值。
[0025] 優(yōu)選的，所述步驟(5)中，結(jié)合每一個(gè)分塊的權(quán)重與編碼向量，計(jì)算基于權(quán)重的最 小殘差，進(jìn)行分類計(jì)算，得到正確的分類結(jié)果，具體過(guò)程如下：
[0026]
[0027] 兵甲，IDENTITY (y)衣不測(cè)試圖傢y仕訓(xùn)珎圖傢甲所屬的身份，岑表示第i個(gè)分塊對(duì) 應(yīng)位置的圖像表示字典的第j列。
[0028] 本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：
[0029] 1、本發(fā)明提出了一種新的基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，通過(guò) 引入外部數(shù)據(jù)學(xué)習(xí)一個(gè)類間變化字典，解決單張訓(xùn)練樣本情況下難以預(yù)測(cè)待分類的圖像的 變化問(wèn)題。
[0030] 2、本發(fā)明采用重疊的分塊字典表示方式，充分利用人臉圖像的鑒別性信息。
【附圖說(shuō)明】
[0031] 圖1為本發(fā)明的總體流程圖。
[0032] 圖2為本方法在Extended YaleB人臉庫(kù)上的識(shí)別率示意圖，其中橫坐標(biāo)表示每個(gè) 類的訓(xùn)練樣本的數(shù)量，縱坐標(biāo)表示識(shí)別率。
[0033]圖3為本方法在AR庫(kù)Sessionl上使用單張訓(xùn)練樣本的識(shí)別率示意圖，3(a)圖和3 (b)圖分別使用不同的外部數(shù)據(jù)，其中橫坐標(biāo)表示使用PCA算法提取不同維數(shù)的特征，縱坐 標(biāo)表示識(shí)別率。
[0034]圖4為本方法在AR庫(kù)SeSSion2上使用單張訓(xùn)練樣本的識(shí)別率示意圖，4(a)圖和4 (b)圖分別使用不同的外部數(shù)據(jù)，其中橫坐標(biāo)表示使用PCA算法提取不同維數(shù)的特征，縱坐 標(biāo)表示識(shí)別率。
【具體實(shí)施方式】
[0035]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì) 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不 用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼 此之間未構(gòu)成沖突就可以相互組合。
[0036] 附圖給出了本發(fā)明的操作過(guò)程，如圖所示，一種基于區(qū)域稀疏表示的單張訓(xùn)練樣 本人臉識(shí)別方法，包括以下步驟：
[0037] (1)對(duì)于參考圖像，采用重疊的方式進(jìn)行分塊，每一幅圖像相同位置的分塊構(gòu)成該 位置的子集；
[0038] (2)對(duì)于每一個(gè)位置的子圖像集，訓(xùn)練該位置的圖像表示字典和利用外部數(shù)據(jù)使 用SVDL算法訓(xùn)練類間變化字典，并結(jié)合這兩個(gè)位置的字典；
[0039] (3)對(duì)于待分類的人臉圖像，先進(jìn)行重疊方式的分塊，然后使用每一個(gè)分塊對(duì)應(yīng)的 位置字典求該分塊的稀疏編碼向量；
[0040] (4)利用每一個(gè)分塊的稀疏編碼向量求該分塊的權(quán)重；
[0041] (5)根據(jù)每一個(gè)分塊的權(quán)重與編碼向量，計(jì)算基于權(quán)重的最小殘差進(jìn)行分類，得到 正確的識(shí)別結(jié)果。
[0042] 步驟（1)中的具體過(guò)程如下:對(duì)訓(xùn)練樣本人臉圖像A采用重疊的方式分塊，每一個(gè) 位置的人臉塊構(gòu)成該位置的人臉集，則獲得多個(gè)位置對(duì)應(yīng)的子集。
[0043] 步驟(2)中的具體過(guò)程如下對(duì)于每一個(gè)位置對(duì)應(yīng)的人臉塊集合，構(gòu)成一個(gè)圖像表 示字典A1，考慮到原始圖像帶有豐富的鑒別性特征，直接向量化圖像塊構(gòu)成表示字典，同時(shí) 提取外部數(shù)據(jù)使用SVDL算法學(xué)習(xí)類間變化字典0 1，彌補(bǔ)在單張訓(xùn)練樣本情況下的信息不 足。
[0044] 步驟(3)中的具體過(guò)程如下:對(duì)于待分類的人臉圖像，先對(duì)圖像采用的訓(xùn)練樣本相 同的方式分塊，然后對(duì)于每一個(gè)分塊，使用稀疏表示法求出稀疏編碼向量，計(jì)算方式如下：
[0045]
[0046] 其中，X={xi，X2, · · ·，xb}，Xi=[Xia;Xid]〇
[0047] 步驟(4)中的具體過(guò)程如下:結(jié)合每一個(gè)分塊的權(quán)重與編碼向量，計(jì)算基于權(quán)重的 最小殘差進(jìn)行分類計(jì)算，具體過(guò)程如下：
[0048]
[0049]最后得到正確的識(shí)別結(jié)果。
[0050]顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說(shuō)明本發(fā)明所作的舉例，而并非是對(duì) 本發(fā)明的實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在上述說(shuō)明的基礎(chǔ)上還可 以做出其它不同形式的變化或變動(dòng)。這里無(wú)需也無(wú)法對(duì)所有的實(shí)施方式予以窮舉。凡在本 發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求 的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，其特征在于，包括： 圖像訓(xùn)練： (1) 基于訓(xùn)練樣本人臉圖像，采用重疊的方式進(jìn)行分塊，每一幅圖像相同位置的分塊構(gòu) 成該位置的子集； (2) 對(duì)于每一個(gè)位置的圖像子集，訓(xùn)練該位置的圖像表示字典，采集與訓(xùn)練圖像不相關(guān) 的圖像作為外部數(shù)據(jù)，對(duì)這些圖像做同樣的分塊處理，將這些互聯(lián)網(wǎng)上的圖像的每一個(gè)位 置的分塊結(jié)合訓(xùn)練樣本該位置的分塊利用SVDL算法訓(xùn)練外部字典，并結(jié)合訓(xùn)練樣本的圖像 表示字典與外部字典； 圖像識(shí)別： (3) 對(duì)于待分類的人臉圖像，先進(jìn)行重疊方式的分塊，然后使用每一個(gè)分塊對(duì)應(yīng)的位置 字典求該分塊的稀疏編碼向量； (4) 利用每一個(gè)分塊的稀疏編碼向量求該分塊的權(quán)重； (5) 根據(jù)每一個(gè)分塊的權(quán)重與編碼向量，計(jì)算基于權(quán)重的最小殘差進(jìn)行分類得到正確 的識(shí)別結(jié)果。2. 根據(jù)權(quán)利要求1所述的基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，其特征在 于，所述步驟（1)中，對(duì)訓(xùn)練樣本人臉圖像采用重疊的方式分塊，每一個(gè)位置的人臉塊構(gòu)建 該位置的人臉子集，則獲得多個(gè)位置對(duì)應(yīng)的圖像子集。3. 根據(jù)權(quán)利要求1所述的基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，其特征在 于，所述步驟(2)中，對(duì)于每一個(gè)位置對(duì)應(yīng)的圖像子集，即人臉塊集合，構(gòu)成一個(gè)圖像表示字 典，向量化圖像塊子集構(gòu)建圖像表示字典，同時(shí)采集與訓(xùn)練圖像不相關(guān)的圖像，對(duì)這些圖像 做同樣的分塊處理，將這些互聯(lián)網(wǎng)上的圖像的每一個(gè)位置的分塊結(jié)合訓(xùn)練樣本該位置的分 塊利用SVDL算法學(xué)習(xí)外部字典。4. 根據(jù)權(quán)利要求1所述的基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，其特征在 于，所述步驟(3)中，對(duì)于待分類的人臉圖像，先對(duì)圖像采用與訓(xùn)練樣本相同的方式分塊，然 后對(duì)于每一個(gè)分塊，使用稀疏表示法求出稀疏編碼向量，計(jì)算方式如下：其中，X= {xi，X2, . . .，Xb}，Xi= [Xia;Xid]，Xi表示測(cè)試人臉的第i個(gè)分塊在圖像表示字典 與外部字典上的稀疏編碼向量，Xia表不第i個(gè)分塊在圖像表不字典上的編碼向量，Xid表不 第i個(gè)分塊在圖像在外部字典上的稀疏編碼向量，X表示 Xl的匯總集合，B表示將人臉?lè)殖傻?總塊數(shù)，yl表示測(cè)試人臉的第i個(gè)分塊的向量化特征，仏是第i個(gè)分塊對(duì)應(yīng)位置的圖像表示字 典，Di是第i個(gè)分塊對(duì)應(yīng)位置的外部字典，λ是一個(gè)參數(shù)，用于防止過(guò)擬合，平衡稀疏性，下標(biāo) F表示要計(jì)算F范數(shù)。5. 根據(jù)權(quán)利要求4所述的基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，其特征在 于，所述步驟(4)中，對(duì)每一個(gè)人臉?lè)謮K，獲得該人臉?lè)謮K的稀疏編碼向量后，計(jì)算該人臉?lè)?塊的權(quán)重，具體過(guò)程如下：其中，< 表示第i個(gè)分塊對(duì)于的第j個(gè)訓(xùn)練樣本的權(quán)重，4表示第j個(gè)訓(xùn)練樣本在編碼向 量Xia上的元素值。6.根據(jù)權(quán)利要求5所述的基于區(qū)域稀疏表示的單張訓(xùn)練樣本人臉識(shí)別方法，其特征在 于，所述步驟(5)中，結(jié)合每一個(gè)分塊的權(quán)重與編碼向量，計(jì)算基于權(quán)重的最小殘差，進(jìn)行分 類計(jì)算，得到正確的分類結(jié)果，具體過(guò)程如下：其中，IDENTITY(y)表示測(cè)試圖像y在訓(xùn)練圖像中所屬的身份，次表示第i個(gè)分塊對(duì)應(yīng)位 置的圖像表示字典的第j列。
【文檔編號(hào)】G06K9/00GK106056074SQ201610369606
【公開日】2016年10月26日
【申請(qǐng)日】2016年5月27日
【發(fā)明人】胡海峰, 顧建權(quán), 李昊曦, 楊梁
【申請(qǐng)人】廣東順德中山大學(xué)卡內(nèi)基梅隆大學(xué)國(guó)際聯(lián)合研究院