一種人臉識(shí)別系統(tǒng)及其方法
【專利摘要】本發(fā)明公開了一種人臉識(shí)別系統(tǒng)及其方法，涉及模式識(shí)別【技術(shù)領(lǐng)域】。本系統(tǒng)由圖像子空間低秩恢復(fù)模塊（101）、第1圖像分塊模塊（102）、第2圖像分塊模塊（103）、圖像間相似度估計(jì)模塊（104）、第1特征降維模塊（105）、第2特征降維模塊（106）和稀疏編碼表示與識(shí)別模塊（107）組成。本發(fā)明采用子空間恢復(fù)技術(shù)去除訓(xùn)練圖像中存在的干擾成分，增強(qiáng)了訓(xùn)練圖像的判別能力；采用基于分塊的最大相似度提取技術(shù)，提升了提取的相似性信息的可靠性；采用基于分塊最大相似性的嵌入稀疏編碼，改善了在低維特征選取時(shí)稀疏編碼的穩(wěn)定性；本發(fā)明適用于存在連續(xù)遮擋的人臉圖像識(shí)別，可有效提高在低維特征選取時(shí)的識(shí)別率，降低識(shí)別系統(tǒng)的復(fù)雜度。
【專利說明】—種人臉識(shí)別系統(tǒng)及其方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及模式識(shí)別【技術(shù)領(lǐng)域】，特別涉及一種基于圖像子空間恢復(fù)和分塊最大相似性嵌入稀疏編碼的人臉識(shí)別系統(tǒng)及其方法。
【背景技術(shù)】
[0002]自動(dòng)人臉識(shí)別是目前計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)中富有挑戰(zhàn)性的熱點(diǎn)問題，在智能視頻監(jiān)控等領(lǐng)域有著廣泛的應(yīng)用前景。近年來，隨著壓縮感知理論的提出與發(fā)展，一種基于稀疏編碼模型的人臉識(shí)別方法得到了普遍關(guān)注，但在特征維數(shù)較低時(shí)，隨著稀疏表示自由度的增加會(huì)造成識(shí)別性能的顯著降低【參見文獻(xiàn):[l]Wright J, Yang A Y, Ganesh A, etal.Robust face recognition via sparse representation.1EEE Transactions onPattern Analysis and Machine Intelligence, 2009，31 (2):210-227】。另外，在實(shí)際的面向非受控環(huán)境的人臉識(shí)別應(yīng)用中，不僅獲取的待測試人臉圖像可能存在光照變化、表情變化、遮擋和偽裝等干擾，而且已有的用于訓(xùn)練分類的訓(xùn)練人臉圖像也可能受到同樣的污損，直接采用傳統(tǒng)稀疏編碼分類方法用于此類情形下的人臉識(shí)別，其系統(tǒng)性能也嚴(yán)重受限【參見文獻(xiàn):[2]E.Candes, X.Li, Y.Ma, and J.Wright.Robust principal component analysisJournal of the ACM, 2011，58(3):1101-1137】。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的就在于克服現(xiàn)有技術(shù)存在的問題和不足，提供一種人臉識(shí)別系統(tǒng)及其方法，適應(yīng)于測試人臉圖像和訓(xùn)練人臉圖像均存在污損的人臉識(shí)別應(yīng)用，并在特征維數(shù)選取較低條件下能有更好的識(shí)別率，以提高系統(tǒng)的有效性和實(shí)用性。
[0004]為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為一種基于圖像子空間恢復(fù)和分塊最大相似性嵌入稀疏編碼的人臉識(shí)別方法。采用圖像子空間恢復(fù)方法以有效消除訓(xùn)練人臉圖像存在的污損對(duì)識(shí)別性能的影響；采用分塊最大相似性嵌入稀疏編碼以提高測試人臉圖像存在局部污損及在低維特征選取下的識(shí)別性能。
[0005]一、基于圖像子空間恢復(fù)和分塊最大相似性嵌入稀疏編碼的人臉識(shí)別系統(tǒng)
[0006]本系統(tǒng)是一種基于圖像子空間恢復(fù)和分塊最大相似性嵌入稀疏編碼的人臉識(shí)別系統(tǒng)，由圖像子空間低秩恢復(fù)模塊、第I圖像分塊模塊、第2圖像分塊模塊、圖像間相似度估計(jì)模塊、第I特征降維模塊、第2特征降維模塊和稀疏編碼表示與識(shí)別模塊組成；
[0007]其交互關(guān)系是:
[0008]圖像子空間低秩恢復(fù)模塊分別與第I圖像分塊模塊和第I特征降維模塊并行交互；
[0009]圖像間相似度估計(jì)模塊的輸入端分別與第I圖像分塊模塊和第2圖像分塊模塊交互，圖像間相似度估計(jì)模塊的輸出端與稀疏編碼表示與識(shí)別模塊交互；
[0010]稀疏編碼表示與識(shí)別模塊分別與第I特征降維模塊和第2特征降維模塊并行交互。
[0011] 二、基于圖像子空間恢復(fù)和分塊最大相似性嵌入稀疏編碼的人臉識(shí)別方法[0012]基于子空間恢復(fù)和分塊最大相似性嵌入稀疏編碼的人臉識(shí)別方法包括如下步驟:
[0013]第1，開始；
[0014]第2，圖像子空間低秩恢復(fù)模塊(101)將輸入的訓(xùn)練人臉圖像按所屬類分別進(jìn)行低秩恢復(fù)處理:
[0015]①將第c (c=l, 2，...，C ;C為全部訓(xùn)練人臉圖像包含的總類數(shù))類訓(xùn)練人臉圖像先按列進(jìn)行矢量化，然后組合表不為矩陣形式=jiarA->ar.?.^--ar.n"-ar.K ]，其中的a。，i為屬于第c類的第i幅訓(xùn)練人臉圖像的矢量化表示；
[0016]②采用下面公式實(shí)現(xiàn)對(duì)第c類訓(xùn)練人臉圖像的子空間低秩恢復(fù)處理
[0017]Ac = min Ac ^ + λ ||￡ |, s.t.Ac-Ac +
[0018]其中Ie為由第c類訓(xùn)練人臉圖像經(jīng)過子空間低秩恢復(fù)
處理得到的干凈訓(xùn)練人臉圖像矩陣表示，”..<..,.]為誤差人臉圖像矩陣；
[0019]第3，第I圖像分塊模塊(102)和第I圖像分塊模塊(103)同時(shí)分別對(duì)訓(xùn)練人臉圖像和測試人臉圖像進(jìn)行均等分非重疊分塊；通常采用以額頭、眼鏡、鼻子和嘴巴等人臉關(guān)鍵部位為基準(zhǔn)進(jìn)行均等分分塊，確保每一分塊圖像包含人臉面部的主要特征；用tt表示測試人臉圖像，ttp, ρ = 1，2，...，P為tt圖像的第ρ分塊圖像，P為總的分塊數(shù)一般可取為 4，6，或8 ;用c = 1，2，...，C; i = 1，2，...，K。表示經(jīng)由第2部處理后得到的第c類訓(xùn)練圖像的第i幅圖像，Kcuj圖像的第P分塊圖像；
[0020]第4，圖像間相似度估計(jì)模塊(104)估計(jì)輸入的測試人臉圖像與每一個(gè)訓(xùn)練人臉圖像的相似度值:
[0021]①計(jì)算S/、=I/,ρ = 1,2,...,P, c = 1,2,...,C ；



2
[0022]②計(jì)算Sr.,= max;S,= 1，2，..., P},t.= 1,2，.",C ；
[0023]式中用表示測試人臉圖像tt與訓(xùn)練人臉圖像—u的對(duì)應(yīng)第P分塊間的相似度值，用Scu表示測試圖像tt與訓(xùn)練圖像&的相似度值；
[0024]第5，第I特征降維模塊(105)和第2特征降維模塊(106)可采用但不限于用常用的主成分分析降維的方法對(duì)測試圖像和訓(xùn)練圖像實(shí)現(xiàn)特征提取降維，得到測試圖像和訓(xùn)練
圖像的降維表示，用y表示tt圖像特征降維并矢量化的結(jié)果，用Dcu表示丄,圖像特征降維
并矢量化的結(jié)果；
[0025]第6，稀疏編碼表示與識(shí)別模塊(107)執(zhí)行稀疏編碼表示并完成分類識(shí)別:
[0026]①構(gòu)造訓(xùn)練矩陣D = [A,i，...D ?七求解下面公式表示的稀疏編碼問題，
[0027]義=arg min||)’ — Dxf2 + /I | 網(wǎng)
[0028]其中的Ip = 0，I或2，W = diag{l/Sc；i}，λ為規(guī)則化因子取某個(gè)較小的常數(shù)；
[0029]②由下式計(jì)算測試人臉圖像與各類訓(xùn)練人臉圖像線性表示的歸一化殘差，[0030]err(c) = ||v-DcSc(i)||; /1|^(x)||^
[0031]其中的D。表示由第c類訓(xùn)練圖像構(gòu)成的子矩陣，夂⑶表示系數(shù)矢量?對(duì)應(yīng)第c類訓(xùn)練圖像的表示系數(shù)子矢量，
[0032]③由式⑴=’根據(jù)歸一化誤差最小確定測試人臉圖像的所
屬類別并輸出識(shí)別結(jié)果。
[0033]本發(fā)明具有下列優(yōu)點(diǎn)和積極效果:
[0034]①采用子空間恢復(fù)技術(shù)去除訓(xùn)練圖像中存在的干擾成分，增強(qiáng)了訓(xùn)練圖像的判別能力；
[0035]②采 用基于分塊的最大相似度提取技術(shù)，提升了提取的相似性信息的可靠性；
[0036]③采用基于分塊最大相似性的嵌入稀疏編碼，改善了在低維特征選取時(shí)稀疏編碼的穩(wěn)定性；
[0037]④本發(fā)明適用于存在連續(xù)遮擋的人臉圖像識(shí)別，可有效提高在低維特征選取時(shí)的識(shí)別率，降低識(shí)別系統(tǒng)的復(fù)雜度。
【專利附圖】

【附圖說明】
[0038]圖1是本系統(tǒng)的結(jié)構(gòu)方框圖，圖中:
[0039]101—圖像子空間低秩恢復(fù)模塊，
[0040]102—H I圖像分塊模塊，
[0041]103—H 2圖像分塊模塊，
[0042]104—圖像間相似度估計(jì)模塊，
[0043]105—H I特征降維模塊，
[0044]106—H 2特征降維模塊，
[0045]107—稀疏編碼表示與識(shí)別模塊。
[0046]圖2是訓(xùn)練人臉圖像子空間低秩恢復(fù)處理前后對(duì)比圖，圖中:
[0047]A—某類原始訓(xùn)練圖像，
[0048]B—某類訓(xùn)練圖像經(jīng)圖像子空間低秩恢復(fù)處理結(jié)果。
[0049]圖3是人臉圖像分塊示意圖，圖中:
[0050]a—原始圖象，
[0051]b—分塊結(jié)果，b I—額頭，b2—眼睛，b3—鼻子，b4—嘴巴。
【具體實(shí)施方式】
[0052]下面結(jié)合附圖和實(shí)施例詳細(xì)說明。
[0053]一、系統(tǒng)
[0054]1、總體
[0055]如圖1，本系統(tǒng)是一種基于圖像子空間恢復(fù)和分塊最大相似性嵌入稀疏編碼的人臉識(shí)別系統(tǒng)，由圖像子空間低秩恢復(fù)模塊101、第I圖像分塊模塊102、第2圖像分塊模塊103、圖像間相似度估計(jì)模塊104、第I特征降維模塊105、第2特征降維模塊106和稀疏編碼表示與識(shí)別模塊107組成；
[0056]其交互關(guān)系是:
[0057]圖像子空間低秩恢復(fù)模塊101分別與第I圖像分塊模塊102和第I特征降維模塊105并行交互，模塊101的輸出同時(shí)輸入到模塊102和模塊105 ；
[0058]圖像間相似度估計(jì)模塊104的輸入端分別與第I圖像分塊模塊102和第2圖像分塊模塊103交互，圖像間相似度估計(jì)模塊104的輸出端與稀疏編碼表示與識(shí)別模塊107交互，模塊102的輸出和模塊103的輸出同時(shí)作為模塊104的輸入,模塊104的輸出送入模塊107的一個(gè)輸入端；
[0059]稀疏編碼表示與識(shí)別模塊107分別與第I特征降維模塊105和第2特征降維模塊106并行交互,模塊105的輸出和模塊106的輸出分別送入模塊107的另外兩個(gè)輸入端。
[0060]2、功能塊
[0061]*所述的圖像子空間低秩恢復(fù)模塊101負(fù)責(zé)對(duì)輸入的每類訓(xùn)練人臉圖像進(jìn)行子空間低秩恢復(fù)處理，由原始的存在干擾成分的訓(xùn)練人臉圖像得到較為干凈的訓(xùn)練人臉圖像。
[0062]*所述的第I圖像分塊模塊102負(fù)責(zé)對(duì)訓(xùn)練人臉圖像進(jìn)行非重疊分塊。
[0063]*所述的第2圖像分塊模塊103負(fù)責(zé)對(duì)測試人臉圖像進(jìn)行非重疊分塊。
[0064]*所述的圖像間相似度估計(jì)模塊104負(fù)責(zé)估計(jì)輸入的測試人臉圖像與每一幅訓(xùn)練人臉圖像的相似度值，其工作流程是:
[0065]A、計(jì)算測試人臉圖像每一子塊與訓(xùn)練人臉圖像對(duì)應(yīng)子塊間的均方誤差并取倒數(shù)；
[0066]B、求取各對(duì)應(yīng)子塊間的均方誤差的倒數(shù)的最大值。
[0067]*所述的第I特征降維模塊105負(fù)責(zé)對(duì)輸入的訓(xùn)練人臉圖像進(jìn)行特征降維，得到相應(yīng)的降維表示；
[0068]*所述的第2特征降維模塊106負(fù)責(zé)對(duì)輸入的測試人臉圖像進(jìn)行特征降維，得到相應(yīng)的降維表示。
[0069]*所述的稀疏編碼表示與識(shí)別模塊107負(fù)責(zé)對(duì)測試人臉圖像所屬類的判別，其工作流程是:
[0070]a、計(jì)算測試人臉圖像基于所有訓(xùn)練人臉圖像的稀疏編碼表示；
[0071]b、計(jì)算測試人臉圖像與由每一類訓(xùn)練人臉圖像的線性表示之間的歸一化均方誤差;
[0072]C、通過比較歸一化均方誤差最小確定測試人臉圖像所屬的類。
[0073]3、工作原理
[0074]本發(fā)明是一種基于稀疏編碼表示基礎(chǔ)上的人臉識(shí)別方法。其核心思想就是針對(duì)實(shí)際人臉識(shí)別應(yīng)用中，人臉圖像通常存在光照和表情變化，以及存在的有意無意的部分遮擋、偽裝的情況，希望系統(tǒng)仍能具有較高的識(shí)別性能。基于原始稀疏編碼人臉識(shí)別方法在特征維數(shù)較少時(shí)性能較差，以及實(shí)際人臉識(shí)別系統(tǒng)中的訓(xùn)練圖像也存在遮擋、表情變化等問題導(dǎo)致識(shí)別失敗的考慮，提出采用圖像子空間低秩恢復(fù)技術(shù)還原被污損的干凈訓(xùn)練圖像以提升其判別能力，采用嵌入圖像間的相似性先驗(yàn)信息到稀疏編碼表示，從而有效提高稀疏編碼的穩(wěn)定性和可靠性以提升識(shí)別性能。為了尋找在非受控環(huán)境條件下，獲取的被測圖像存在表情變化、部分遮擋和偽裝等局部污損條件下圖像間相似先驗(yàn)的更加有效表示，提出了基于分塊最大相似性以度量圖像間的相似性。
[0075]I)圖像子空間低秩恢復(fù)模塊101的工作原理:
[0076]首先將第c (c=l, 2，...，C ;C為全部訓(xùn)練人臉圖像包含的總類數(shù))類訓(xùn)練人臉圖像先按列進(jìn)行矢量化，然后組合表示為矩陣形式.2，...〃,]，其中的為屬于第c類的第i幅訓(xùn)練人臉圖像的矢量化表示；然后采用公式(I)實(shí)現(xiàn)對(duì)第c類訓(xùn)練人臉圖像的子空間低秩恢復(fù)處理
[0077]Ac =min Ac * +11|五c|,4.= Ac+ Ec(I)
[0078]其中了 =[?,,,,?,,2,]稱為由第c類訓(xùn)練人臉圖像經(jīng)過子空間低秩恢復(fù)
處理得到的干凈訓(xùn)練人臉圖像矩陣表示，足=[K.2，…Λ ]為誤差人臉圖像矩陣，II*表示求取矩陣的核范數(shù)，11 111表示求取矩陣的I范數(shù)；對(duì)于總共包含的c類訓(xùn)練圖像，通過c次地求解(I)式，得到全部訓(xùn)練圖像的通過子空間低秩恢復(fù)處理后的結(jié)果；處理后的圖像B有效去除了原始圖像A中的干擾成分，如圖2所示。
[0079]2)第I圖像分塊模塊102和第2圖像分塊模塊103的工作原理:
[0080]分別對(duì)輸入的 訓(xùn)練人臉圖像和測試人臉圖像進(jìn)行非重疊分塊；通常采用以額頭bl、眼鏡b2、鼻子b3和嘴巴b4等人臉關(guān)鍵部位為基準(zhǔn)進(jìn)行等分分塊，如圖3所示，以確保每一分塊圖像包含人臉面部的主要特征；用tt表示測試人臉圖像，ttp, ρ = 1，2，...，P為
tt圖像的第ρ分塊圖像，P為總的分塊數(shù)一般可取為4，6，或8 ;用]c = l，2，...，C;i =
1，2，...，K。表示經(jīng)由圖像子空間低秩恢復(fù)模塊101處理后得到的第c類訓(xùn)練圖像的第i幅
圖像，7“為L圖像的第P分塊圖像。
[0081]3)圖像間相似度估計(jì)模塊104的工作原理:
[0082]用表示測試圖像tt與訓(xùn)練圖像—Cl。的對(duì)應(yīng)第P分塊間的相似度值，采用圖像塊間均方誤差作為相似性度量準(zhǔn)則，均方誤差越小表示圖像塊間的相似性越大，其相似性定
義為S式中I1.1 I表示對(duì)相應(yīng)矩陣求2范數(shù)；用Scu表示測試圖像tt與訓(xùn)
練圖像Z的相似度值，定義5:, =maX{5^,p = U，…,巧，式中max{}表示對(duì)所有元素求取其最大值。
[0083]4)第I特征降維模塊105和第特征降維模塊106可采用但不限于用常用的主成分分析降維的方法對(duì)測試圖像和訓(xùn)練圖像實(shí)現(xiàn)特征提取降維，得到測試圖像和訓(xùn)練圖像的降
維表示，并用y表示tt圖像特征降維并矢量化的結(jié)果，用Dcu表示圖像特征降維并矢量
化的結(jié)果；采用主成分分析施行特征降維的過程包括:
[0084]①特征降維模塊105計(jì)算訓(xùn)練圖像矩陣]= [H.Jr]的主成分X = PC4(j)
[0085]②特征降維模塊105計(jì)算訓(xùn)練圖像]的每幅圖像關(guān)于主成分X的投影D =X*A ;，特征降維模塊106計(jì)算測試圖像tt關(guān)于主成分X的投影ttp = X*tt。
[0086]5)稀疏編碼表不與識(shí)別模塊107的工作原理:[0087]首先，構(gòu)造訓(xùn)練矩陣￡> = [%，…，P.,..…，然后，求解由公式(2)表示的稀疏編碼問題，計(jì)算出測試圖像由訓(xùn)練圖像稀疏表示的系數(shù)矢量?
[0088]
【權(quán)利要求】
1.一種人臉識(shí)別系統(tǒng)，其特征在于: 本系統(tǒng)是一種基于圖像子空間恢復(fù)和分塊最大相似性嵌入稀疏編碼的人臉識(shí)別系統(tǒng)，由圖像子空間低秩恢復(fù)模塊(101)、第I圖像分塊模塊(102)、第2圖像分塊模塊(103)、圖像間相似度估計(jì)模塊(104)、第I特征降維模塊(105)、第2特征降維模塊(106)和稀疏編碼表示與識(shí)別模塊(107)組成； 其交互關(guān)系是: 圖像子空間低秩恢復(fù)模塊(101)分別與第I圖像分塊模塊(102)和第I特征降維模塊(105)并行交互； 圖像間相似度估計(jì)模塊(104)的輸入端分別與第I圖像分塊模塊(102)和第2圖像分塊模塊(103)交互，圖像間相似度估計(jì)模塊(104)的輸出端與稀疏編碼表示與識(shí)別模塊(107)交互； 稀疏編碼表示與識(shí)別模塊(107)分別與第I特征降維模塊(105)和第2特征降維模塊(106)并行交互； 所述的圖像子空 間低秩恢復(fù)模塊101負(fù)責(zé)對(duì)輸入的每類訓(xùn)練人臉圖像進(jìn)行子空間低秩恢復(fù)處理，由原始的存在干擾成分的訓(xùn)練人臉圖像得到較為干凈的訓(xùn)練人臉圖像； 所述的第I圖像分塊模塊102負(fù)責(zé)對(duì)訓(xùn)練人臉圖像進(jìn)行非重疊分塊； 所述的第2圖像分塊模塊103負(fù)責(zé)對(duì)測試人臉圖像進(jìn)行非重疊分塊； 所述的圖像間相似度估計(jì)模塊104負(fù)責(zé)估計(jì)輸入的測試人臉圖像與每一幅訓(xùn)練人臉圖像的相似度值，其工作流程是: A、計(jì)算測試人臉圖像每一子塊與訓(xùn)練人臉圖像對(duì)應(yīng)子塊間的均方誤差并取倒數(shù)； B、求取各對(duì)應(yīng)子塊間的均方誤差的倒數(shù)的最大值。 所述的第I特征降維模塊105負(fù)責(zé)對(duì)輸入的訓(xùn)練人臉圖像進(jìn)行特征降維，得到相應(yīng)的降維表示； 所述的第2特征降維模塊106負(fù)責(zé)對(duì)輸入的測試人臉圖像進(jìn)行特征降維，得到相應(yīng)的降維表示。 所述的稀疏編碼表示與識(shí)別模塊107負(fù)責(zé)對(duì)測試人臉圖像所屬類的判別，其工作流程是: a、計(jì)算測試人臉圖像基于所有訓(xùn)練人臉圖像的稀疏編碼表示； b、計(jì)算測試人臉圖像與由每一類訓(xùn)練人臉圖像的線性表示之間的歸一化均方誤差； C、通過比較歸一化均方誤差最小確定測試人臉圖像所屬的類。 .按權(quán)利要求1所述系統(tǒng)的人臉識(shí)別方法，其特征在于包括如下步驟: 第1，開始； 第2，圖像子空間低秩恢復(fù)模塊將輸入的訓(xùn)練人臉圖像按所屬類分別進(jìn)行低秩恢復(fù)處理: ①將第c(c=l, 2，...，C ;C為全部訓(xùn)練人臉圖像包含的總類數(shù))類訓(xùn)練人臉圖像先按列進(jìn)行矢量化，然后組合表示為矩陣形式4 =[(?.2”.]，其中的為屬于第c類的第i幅訓(xùn)練人臉圖像的矢量化表示； ②采用下面公式實(shí)現(xiàn)對(duì)第c類訓(xùn)練人臉圖像的子空間低秩恢復(fù)處理
【文檔編號(hào)】G06K9/66GK103942531SQ201410079648
【公開日】2014年7月23日 申請(qǐng)日期:2014年3月6日 優(yōu)先權(quán)日:2014年3月6日
【發(fā)明者】高志榮, 熊承義, 汪淑賢, 周城, 侯建華, 陳少平 申請(qǐng)人:中南民族大學(xué)