專利名稱：基于分布式壓縮傳感的近紅外與可見光圖像人臉識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種人臉圖像識別方法，更具體的說是一種基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法。
背景技術(shù)：
隨著信息以及網(wǎng)絡(luò)技術(shù)的發(fā)展，最近幾年人臉識別已經(jīng)成為模式識別領(lǐng)域最受關(guān)注的問題之一。人臉識別具有極高的學(xué)術(shù)研究價值和廣闊的商業(yè)應(yīng)用前景。人臉識別方法主要包括基于幾何特征的方法，基于模板匹配的方法和基于學(xué)習(xí)的方法等。當人臉圖像處于友好的環(huán)境時，當前的人臉識別方法可以取得比較準確的結(jié)果。而當前人臉識別的難點主要包括復(fù)雜的光照變化，強烈的表情和姿勢變化?；诳梢姽鈭D像的人臉識別取得了很大的成功，然而可見光圖像受環(huán)境光照情況變化影響較大。為了解決這個問題，一些改進的算法被陸續(xù)提出以解決這個問題，取得了較好的效果，仍有許多復(fù)雜環(huán)境人臉識別無法取得理想的效果。先前的研究(S. Singh，A. Gyaourova，G. Bebis，and I. Pavlidis,"Infrared and Visible Image Fusion for Face Recognition，，，In proceedings of SPIE, vol. 5404, PP. 585-596,2004.)表明，紅外圖像與可見光圖像具有互補性，具有對于光照變化魯棒的特點。一般紅外傳感器對于周圍的光線不是很敏感。因此，通過采用紅外圖像的紅外譜信息， 人臉識別可以得到更加光照魯棒的結(jié)果，提高了無控制環(huán)境的識別效果。但是紅外圖像經(jīng)常損失一些與臉部紋理有關(guān)的信息，導(dǎo)致識別性能受限。與紅外光圖像相反，可見光圖像對于表情變化和姿勢變化魯棒。因此，我們可以針對不同的環(huán)境，同時采用不同類型的傳感器采集圖像。從圖像觀點，近紅外圖像和可見光圖像可以撲捉觀測臉的不同特征，因此，可以通過利用兩種譜圖像的互補信息，得到目標圖像的特殊描述算子。最近基于稀疏表示理論的人臉識別方法被提出，并且在人臉識別方面表現(xiàn)出了很好的效果。然而基于稀疏表示的識別方法需要大量的訓(xùn)練樣本，以保證檢驗圖像在訓(xùn)練圖像庫中是稀疏的。更重要的是，基于稀疏表示的識別方法對于圖像配準的要求較高，當訓(xùn)練和測試圖像沒有經(jīng)過配準時，識別效果較差。

發(fā)明內(nèi)容
為了解決人臉圖像識別方法存在的上述技術(shù)問題，本發(fā)明提供了一種識別精度高、魯棒性好基于分布式壓縮傳感的近紅外圖像及其對應(yīng)的可見光圖像融合識別的方法。本發(fā)明解決上述技術(shù)問題的技術(shù)方案包括以下步驟1)將人臉圖像從訓(xùn)練圖像中切割出來；2)將切割出來的圖像進行歸一化處理，按順序切割成塊；3)將近紅外圖像和及其對應(yīng)的可見光圖像塊分別表示成一維列向量形式；4)分別將近紅外圖像和可見光圖像表示為共同部分和差異部分的和；5)將共同部分和差異部分進行聯(lián)合稀疏表示，通過求解最小Itl范數(shù)問題得到聯(lián)合稀疏表示系數(shù)；
6)將上兩步中近紅外圖像與可見光圖像通過聯(lián)合稀疏表示進行融合得到的共同部分所對應(yīng)的稀疏系數(shù)作為訓(xùn)練圖像類別判定特征；7)對測試圖像進行步驟1)到步驟6)的相同處理，得到測試圖像類別判定特征，計算訓(xùn)練圖像類別判定特征與測試圖像類別判定特征之間的最小歐式距離，根據(jù)每幅圖像切割成的所有塊與指定目標類的最小距離和來確定所屬目標類。上述的基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法中，所述步驟1)的步驟為對訓(xùn)練圖像采用局部連續(xù)均值量化變換特征方法進行人臉檢測，將檢測到的人臉圖像切割出來。上述的基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法中，所述步驟2)中圖像塊的大小為10 (Pixel) X 10 (Pixel)。上述的基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法中，所述步驟5)的步驟為將每類的共同部分和差異部分進行聯(lián)合稀疏表示，通過最小Itl范數(shù)問題求解得到稀疏系數(shù)向量特征。由于采用上述技術(shù)方案，本發(fā)明的技術(shù)效果是本發(fā)明采用了近紅外人臉圖像為識別目標，解決了人臉識別問題中的光照問題，即使在極度惡劣情況下，也可以準確識別； 本發(fā)明采用分布式壓縮傳感理論中的聯(lián)合稀疏表示方法來融合可見光圖像與其對應(yīng)的近紅外圖像，可以很好地保持可見光圖像中的紋理信息，而近紅外圖像又可以彌補光照對于人臉圖像的影響，這樣的結(jié)合，有效地提高識別效果而且對于圖像中表情、姿勢變化有一定魯棒性，即使對于存在缺損像素的圖像也可以準確識別。下面結(jié)合附圖對本發(fā)明作進一步的說明。


圖1為本發(fā)明基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法的流程圖。圖2為采用SMQT方法進行人臉檢測，并切割得到的圖像。圖2 (a)為原始圖像，圖 2(b)為切割出的人臉圖像。
具體實施例方式圖1為本發(fā)明基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法的示意圖。待識別源圖像為人體正面半身圖。如圖1所示，本發(fā)明采用學(xué)習(xí)的策略實現(xiàn)人臉識別。各部分具體實施步驟如下1.對訓(xùn)練圖像進行人臉檢測，并切割出人臉正面圖像。為了更好的識別出人臉圖像，本發(fā)明先對訓(xùn)練圖像進行人臉檢測，首先采用 SMQT方法進行檢測，然后將檢測到的人臉圖像切割出來；(SMQT算法的具體實現(xiàn)細節(jié)參考 M. Nilsson 等于 2007 年發(fā)表在 Proceedings of the ICASSP 上的論文 Μ. Nilsson， J. Nordberg, and I. Claesson, "Face detectionusing local SMQT features and split up snow classifier，，，In Proceedingsof the ICASSP, pp. 1266-1272, 2007.)2.將切割出來的圖像進行歸一化處理，并且按順序切割成小塊。將切割出來的圖像歸一化成IOO(Pixel) XlOO(Pixel)的圖像，并且按順序切割成 10 (Pixel) X 10 (Pixel)的小塊；3.將近紅外圖像和及其對應(yīng)的可見光圖像塊分別表示為一維列向量的形式。將近紅外圖像和可見光圖像塊分別堆疊為一維列向量yne『和/^ Rn，其中n為近紅外的英文(near-infrared)縮寫，這里表示近紅外圖像對應(yīng)的信息，7"是近紅外圖像堆疊成的一維列向量，ν為可見光的英文(visible)縮寫，這里表示可見光圖像對應(yīng)的信息， yv可見光圖像堆疊成的一維列向量；4.分別將近紅外圖像和可見光圖像塊表示為共同部分和差異部分的和；{yl,yvkj、, j = 1，...，jk，k = 1，... κ中所有的信號對于給定的k是高度不相關(guān)的，其中k為類標簽，表示第k類圖像，K表示待分類人臉圖像共有K類，Jk為第k類中圖像總數(shù)，j為每類中的第j幅圖像標簽，yg為第k類第j幅近紅外圖像堆疊成的列向量，y^為第k類第j幅可見光圖像堆疊成的列向量。分別將第j幅第k類近紅外圖像和及其對應(yīng)的可見光圖像表示為共同部分和差異部分的和，即
權(quán)利要求
1.一種基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法，包括以下步驟1)將人臉圖像從訓(xùn)練圖像中切割出來；2)將切割出來的圖像進行歸一化處理，按順序切割成塊；3)將近紅外圖像和及其對應(yīng)的可見光圖像塊分別表示成一維列向量形式；4)分別將近紅外圖像和可見光圖像表示為共同部分和差異部分的和；5)將共同部分和差異部分進行聯(lián)合稀疏表示，通過求解最小Itl范數(shù)問題得到聯(lián)合稀疏表示系數(shù)；6)將上兩步中近紅外圖像與可見光圖像通過聯(lián)合稀疏表示進行融合得到的共同部分所對應(yīng)的稀疏系數(shù)作為訓(xùn)練圖像類別判定特征；7)對測試圖像進行步驟1)到步驟6)的相同處理，得到測試圖像類別判定特征，計算訓(xùn)練圖像類別判定特征與測試圖像類別判定特征之間的最小歐式距離，根據(jù)每幅圖像切割成的所有塊與指定目標類的最小距離和來確定所屬目標類。
2.根據(jù)權(quán)利要求1所述的基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法，所述步驟1)的步驟為對訓(xùn)練圖像采用局部連續(xù)均值量化變換特征方法進行人臉檢測，將檢測到的人臉圖像切割出來。
3.根據(jù)權(quán)利要求1所述的基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法，所述步驟2)中圖像塊的大小為10 (Pixel) X 10 (Pixel)。
4.根據(jù)權(quán)利要求1所述的基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法，所述步驟幻的步驟為將每類的共同部分和差異部分進行聯(lián)合稀疏表示，通過最小 I0范數(shù)問題求解得到稀疏系數(shù)向量特征。
全文摘要
本發(fā)明公開了一種基于分布式壓縮傳感理論的近紅外與可見光人臉圖像識別方法。它包括以下步驟將人臉圖像從訓(xùn)練圖像中切割出來，并進行歸一化處理，按順序切割成塊；將近紅外圖像和可見光圖像塊分別表示成一維列向量形式；將近紅外圖像和可見光圖像的共同部分和差異部分進行聯(lián)合稀疏表示，計算聯(lián)合稀疏表示系數(shù)；將近紅外圖像與可見光圖像進行融合得到的共同部分所對應(yīng)的稀疏系數(shù)作為訓(xùn)練圖像類別判定特征；對測試圖像進行與訓(xùn)練圖像相同的處理，根據(jù)訓(xùn)練圖像類別判定特征與測試圖像類別判定特征之間的最小距離和來確定所屬目標類。本發(fā)明根據(jù)分布式壓縮傳感理論，將近紅外圖像和可見光圖像有機地結(jié)合起來，在人臉識別中取得了非常好的效果。
文檔編號G06K9/62GK102521609SQ201110396929
公開日2012年6月27日 申請日期2011年12月2日 優(yōu)先權(quán)日2011年12月2日
發(fā)明者李樹濤, 魏丹 申請人:湖南大學(xué)