專利名稱：一種基于相關(guān)特征和非線性映射的固定視角人臉超分辨率識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人臉識(shí)別領(lǐng)域，具體的涉及一種基于相關(guān)特征和非線性映射的固定視角人臉超分辨率識(shí)別方法。
背景技術(shù)：
人臉識(shí)別是一種重要的生物認(rèn)證技術(shù)，近三十年來，研究人員提出了大量的方法， 并已廣泛用于視頻監(jiān)控等安全保障系統(tǒng)中。但是，由于距離和硬件條件等的限制，在大場(chǎng)景視頻監(jiān)控系統(tǒng)中拍攝的感興趣人臉圖像分辨率往往比較低，另一方面進(jìn)行監(jiān)控時(shí)，往往不能對(duì)被監(jiān)控對(duì)象進(jìn)行約束，感興趣人臉圖像常常存在著非正面人臉圖像，而與之相對(duì)應(yīng)的系統(tǒng)中登記在冊(cè)的往往是被監(jiān)控對(duì)象的某種固定視角的高分辨率圖像(這個(gè)固定視角通常為正面)，從而降低了人臉識(shí)別的性能。如何在低分辨率及視角變化的條件下提高識(shí)別效果，是目前人臉識(shí)別需要解決的問題。在視角變化和分辨率變化的雙重干擾下的人臉識(shí)別研究工作較少，大致可以分為兩類。第一類為借助多視角識(shí)別庫(kù)的幫助，通過識(shí)別庫(kù)中與測(cè)試圖像相同人物相似視角圖像的輔助，較好地完成視角變化下的低分辨率人臉識(shí)別。此類方法在識(shí)別庫(kù)人臉僅由一種固定視角構(gòu)成時(shí)效果將大大下降或者直接無法工作。而第二類方法為通過逐步實(shí)現(xiàn)視角變化和分辨率增強(qiáng)兩個(gè)步驟完成視角變化下的低分辨率人臉識(shí)別。該類方法可以工作在識(shí)別庫(kù)人臉僅由一種固定視角構(gòu)成的條件下，但視角變化和分辨率增強(qiáng)兩步均會(huì)引入誤差，兩步的誤差疊加不利于最終的識(shí)別。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提出了一種基于相關(guān)特征和非線性映射的固定視角人臉超分辨率識(shí)別方法。為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是1)首先，利用訓(xùn)練數(shù)據(jù)為每一個(gè)固定視角到識(shí)別庫(kù)視角的超分辨率識(shí)別單獨(dú)建立一個(gè)變換模型和識(shí)別模型，有多少個(gè)固定視角，就建立多少個(gè)變換模型和識(shí)別模型；2)然后，估計(jì)測(cè)試低分辨率圖像的視角；3)最后，將測(cè)試低分辨率圖像按步驟幻中估計(jì)的視角，輸入到步驟1)中的變換和識(shí)別模型中進(jìn)行識(shí)別。步驟1)中單獨(dú)建立一個(gè)變換和識(shí)別模型，其中單獨(dú)建立一個(gè)變換模型包含以下步驟1)分別利用經(jīng)典的主成分分析方法提取固定視角訓(xùn)練低分辨率圖像和識(shí)別庫(kù)視角訓(xùn)練高分辨人臉圖像的識(shí)別特征給定一組固定視角的低分辨率訓(xùn)練人臉圖像和另一固定視角的高分辨率訓(xùn)練人臉圖像，為不失一般性，假設(shè)給定的低分辨率固定視角為側(cè)面視角，假設(shè)給定的高分辨率視角為正面視角。分別用嚴(yán)={/；"},=(/廣C)和廣=(/Λ...,O表示，其中m表示訓(xùn)練樣本個(gè)數(shù)，下標(biāo)代表樣本標(biāo)號(hào)，上標(biāo)nl，fh分別表示側(cè)面低分辨率和正面高分分辨。分別計(jì)算出對(duì)應(yīng)的側(cè)面低分辨率均值μnl與PCA基矩陣，正面高分辨率均值μ fh與PCA基矩陣<，對(duì)應(yīng)的側(cè)面低分辨率PCA特征y111和正面高分辨率PCA特征yfh，可以用下面的算式求出，其中上標(biāo)T表示矩陣轉(zhuǎn)置操作
yf =^1YiI- -μ"1)
yf =(9^ (If1-μ1")2)利用上述所提取兩組識(shí)別特征作為訓(xùn)練數(shù)據(jù)，根據(jù)典型相關(guān)分析(Canonical Correlation Analysis, CCA)算法得到映射基向量，根據(jù)此映射基向量將識(shí)別特征轉(zhuǎn)換為相關(guān)特征采用r"w，m” =Cy1M..,Zf分別表示側(cè)面低
分辨率PCA特征和正面高分辨率PCA特征，其中m表示訓(xùn)練樣本的數(shù)目，用 F'=Fri-￡(廣)與穴=P-E(P)分別表示對(duì)應(yīng)的去中心化數(shù)據(jù)，Ε(·)表示數(shù)學(xué)期望， Vfh和Vnl分別表示對(duì)應(yīng)的正面高分辨率和側(cè)面低分辨率典型相關(guān)變換矩陣，Vfh和Vnl可由典型相關(guān)分析的算法求得。計(jì)算對(duì)應(yīng)的側(cè)面低分辨率相關(guān)特征Cnl和正面高分辨率相關(guān)Cfh 特征Qnl =(γη1γγη1Cjh=(Fjh)rYjh3)利用徑向基函數(shù)(Radial Basis Function, RBF)在相關(guān)空間中建立兩種不同視角不同分辨率訓(xùn)練人臉圖像相關(guān)特征之間的映射關(guān)系，根據(jù)此映射關(guān)系得到測(cè)試低分辨率人臉圖像對(duì)應(yīng)的識(shí)別庫(kù)視角下的高分辨率相關(guān)特征的估計(jì)對(duì)于輸入的側(cè)面低分辨率圖像<，其中t表示一個(gè)測(cè)試樣本的標(biāo)號(hào)，其對(duì)應(yīng)的PCA
特征被計(jì)算出來
Z = (Z)W)把側(cè)面低分辨率PCA特征投影到相關(guān)空間cf = (V"' f (yf - EiYnl))采用訓(xùn)練得到的徑向基函數(shù)將側(cè)面低分辨率相關(guān)特征cf非線性映射得到正面高
分辨率相關(guān)特征cf 其中樹= -C^ +1為所用的多維二次曲面徑向基函數(shù)，T為矩陣
轉(zhuǎn)置運(yùn)算，W為訓(xùn)練得到的權(quán)值矩陣，W的計(jì)算表達(dá)式為W = Cfh · inv ( Φ + τ Ε)
其中inv表示對(duì)矩陣的求逆運(yùn)算，τ為一個(gè)很小的正常數(shù)，取值范圍為0. 001 0. 1，E為單位矩陣，Φ為一個(gè)數(shù)據(jù)矩陣，可以由訓(xùn)練數(shù)據(jù)計(jì)算得到，計(jì)算表達(dá)式為
權(quán)利要求
1.一種基于相關(guān)特征和非線性映射的固定視角人臉超分辨率識(shí)別方法，其特征在于 包含以下步驟1)首先，利用訓(xùn)練數(shù)據(jù)為每一個(gè)固定視角到識(shí)別庫(kù)視角的超分辨率識(shí)別單獨(dú)建立一個(gè)變換模型和識(shí)別模型，有多少個(gè)固定視角，就建立多少個(gè)變換模型和識(shí)別模型；2)然后，估計(jì)測(cè)試低分辨率圖像的視角；3)最后，將測(cè)試低分辨率圖像按步驟幻中估計(jì)的視角，輸入到步驟1)中的變換和識(shí)別模型中進(jìn)行識(shí)別。
2.根據(jù)權(quán)利要求1所述的基于相關(guān)特征和非線性映射的固定視角人臉超分辨率識(shí)別方法，其特征在于所述步驟1)中單獨(dú)建立一個(gè)變換和識(shí)別模型，其中單獨(dú)建立一個(gè)變換模型包含以下步驟1)分別利用經(jīng)典的主成分分析方法提取固定視角訓(xùn)練低分辨率圖像和識(shí)別庫(kù)視角訓(xùn)練高分辨人臉圖像的識(shí)別特征給定一組固定視角的低分辨率訓(xùn)練人臉圖像和另一固定視角的高分辨率訓(xùn)練人臉圖像，為不失一般性，假設(shè)給定的低分辨率固定視角為側(cè)面視角，假設(shè)給定的高分辨率視角為正面視角。分別用廣={<}==(/廣和廣表示，其中m表示訓(xùn)練樣本個(gè)數(shù)，下標(biāo)代表樣本標(biāo)號(hào)，上標(biāo)nl，fh分別表示側(cè)面低分辨率和正面高分分辨。分別計(jì)算出對(duì)應(yīng)的側(cè)面低分辨率均值μ nl與PCA基矩陣，正面高分辨率均值μ fh與PCA基矩陣<，對(duì)應(yīng)的側(cè)面低分辨率PCA特征y111和正面高分辨率PCA特征yfh，可以用下面的算式求出，其中上標(biāo)T表示矩陣轉(zhuǎn)置操作Z=(Z)W)2)利用上述所提取兩組識(shí)別特征作為訓(xùn)練數(shù)據(jù)，根據(jù)典型相關(guān)分析(Canonical Correlation Analysis, CCA)算法得到映射基向量，根據(jù)此映射基向量將識(shí)別特征轉(zhuǎn)換為相關(guān)特征采用”《...’<)、YfhHymy分別表示側(cè)面低分辨率PCA特征和正面高分辨率PCA特征，其中m表示訓(xùn)練樣本的數(shù)目，用 F'=Fri-￡(廣)與穴=P-E(P)分別表示對(duì)應(yīng)的去中心化數(shù)據(jù)，Ε(·)表示數(shù)學(xué)期望， Vfh和Vnl分別表示對(duì)應(yīng)的正面高分辨率和側(cè)面低分辨率典型相關(guān)變換矩陣，Vfh和Vnl可由典型相關(guān)分析的算法求得。計(jì)算對(duì)應(yīng)的側(cè)面低分辨率相關(guān)特征Cnl和正面高分辨率相關(guān)Cfh 特征
3.根據(jù)權(quán)利要求1所述的基于相關(guān)特征和非線性映射的固定視角人臉超分辨率識(shí)別方法，其特征在于所述步驟1)中單獨(dú)建立一個(gè)變換和識(shí)別模型，其中建立一個(gè)識(shí)別模型包含以下步驟1)將識(shí)別庫(kù)視角下的高分辨率圖像按照測(cè)試圖像的視角輸入到權(quán)利要求1中步驟1) 中所述的變換模型中，利用正面高分辨率相關(guān)特征變換矩陣，獲得真實(shí)的高分辨率相關(guān)特征；2)利用基于L2范數(shù)的最近鄰分類器，利用真實(shí)的高分辨率相關(guān)特征和估計(jì)得到的高分辨率相關(guān)特征進(jìn)行對(duì)比識(shí)別。
4.根據(jù)權(quán)利要求1所述的基于相關(guān)特征和非線性映射的固定視角人臉超分辨率識(shí)別方法，其特征在于所述步驟幻估計(jì)測(cè)試低分辨率圖像的視角，包含以下特征采取簡(jiǎn)單的模板匹配的方法對(duì)測(cè)試的低分辨率圖像進(jìn)行視角估計(jì)。各個(gè)視角低分辨率人臉模板由對(duì)應(yīng)視角下的低分辨率訓(xùn)練人臉圖像加權(quán)平均得到。當(dāng)輸入測(cè)試低分辨率圖像與各個(gè)模板進(jìn)行比較時(shí)，選擇誤差最小的模板對(duì)應(yīng)視角為測(cè)試圖像的視角估計(jì)輸出。
全文摘要
一種基于相關(guān)特征和非線性映射的固定視角人臉超分辨率識(shí)別方法。本發(fā)明針對(duì)輸入某一未知固定視角低分辨率人臉圖像與識(shí)別庫(kù)中其他固定視角高分辨率人臉圖像的比對(duì)識(shí)別問題，提出了一種利用相關(guān)特征和非線性映射獲得固定視角高分辨率相關(guān)識(shí)別特征的方法。本發(fā)明為每一種固定視角低分辨率圖像和識(shí)別庫(kù)視角的高分辨率圖像建立一個(gè)變換模型和一個(gè)識(shí)別模型，利用典型相關(guān)分析建立固定視角低分辨率圖像和識(shí)別庫(kù)視角高分辨率圖像特征相關(guān)空間，采用徑向基函數(shù)在此相關(guān)空間建立非線性的變換模型，然后利用模板匹配的方法估計(jì)出測(cè)試圖像的視角，最后將測(cè)試圖像輸入到對(duì)應(yīng)視角下的變換模型和識(shí)別模型中。本發(fā)明實(shí)現(xiàn)了對(duì)分辨率與視角變化的同時(shí)處理，所得識(shí)別率較高。
文檔編號(hào)G06K9/62GK102289679SQ20111025230
公開日2011年12月21日 申請(qǐng)日期2011年8月30日 優(yōu)先權(quán)日2011年8月30日
發(fā)明者曾嘯, 黃華 申請(qǐng)人:西安交通大學(xué)