基于詞袋壓縮感知特征提取的人臉識別方法
【專利摘要】本發(fā)明公開了一種基于詞袋壓縮感知特征提取的人臉識別方法，包括人臉識別系統(tǒng)，其特征在于其識別步驟包括：圖像的尺度不變特征變換特征提取、特征編碼、不同尺度的特征融合和分類。該方法相比于原來的詞袋模型，不僅簡單實用，而且更有效，用尺度不變特征變換提取圖像關鍵點特征后，不再找聚類中心或者學習字典，而是利用隨機矩陣。讓關鍵點特征通過與隨機矩陣來進行編碼，可以節(jié)省大量時間，而且沒有像原詞袋模型方法那樣，丟失大量的空間信息。能夠很好的克服人臉光照，遮擋以及表情等變化對人臉識別的影響，不僅可以獲得較高的識別率，運行速度也較快，在很具有挑戰(zhàn)性的AR數(shù)據(jù)庫上進行人臉識別，大大提高了人臉識別率，更具有實時性。
【專利說明】基于詞袋壓縮感知特征提取的人臉識別方法

【技術領域】
[0001] 本發(fā)明涉及涉及機器視覺與圖像處理技術，尤其是人臉識別方法。

【背景技術】
[0002] 在現(xiàn)有人臉識別系統(tǒng)中燈光的亮暗、人臉的姿態(tài)以及眼鏡等偽裝，一直是人臉識 別中富有挑戰(zhàn)性的問題，在圖像預處理中，特征提取是很關鍵的一步。現(xiàn)有的人臉識別方法 有多種，如基于詞袋特征的方法，因為詞袋模型忽略了特征的空間信息并且使特征無序，導 致算法識別率低，而且詞袋模型中K均值聚類花費時間長，使整個算法運行時間長。


【發(fā)明內容】

[0003] 本發(fā)明的目的地是提供一種提高了算法性能，速度運行更快的基于詞袋壓縮感知 特征提取的人臉識別方法。
[0004] 為達到上述目的，本方法的技術方案為： 一種基于詞袋壓縮感知特征提取的人臉識別方法，包括人臉識別系統(tǒng)，其特征在于其 識別步驟包括： 步驟一、用尺度不變特征變換特征的方法來提取圖像特征 ⑴設一幅圖像的函數(shù)為為，圖像與高斯核函數(shù)卷積得到不同尺度下的尺度空間； 公式如下： L(x, y, Cf) = 0(x, y, <t) * / (x, j) (I) 其中，表示像素位置，i表示尺度空間，a表示尺度空間因子； (2) 得到圖像的尺度空間后，采用ItoG金字塔方法，即用差分高斯金字塔函數(shù)與圖像 卷積得到的空間的方法尋找來尋找極值點，得到的公式為： (G(x，調-〇(咖))哺以 = L(x,y,ka-)-L(x,y,cf, 其中k是相鄰兩個不同的尺度空間； (3) 根據(jù)極值點進而確定關鍵點，對關鍵點賦予的一個方向，實現(xiàn)圖像的旋轉不變性， 具體做法為，根據(jù)關鍵點所在的尺度，選擇與該尺度最相近的高斯平滑圖像計算￡上每 一個點的梯度與方向；

【權利要求】
1. 一種基于詞袋壓縮感知特征提取的人臉識別方法，包括人臉識別系統(tǒng)，其特征在于 其識別步驟為： 步驟一、用尺度不變特征變換特征的方法來提取圖像特征； (1)設一幅圖像的函數(shù)為2(47),圖像與高斯核函數(shù)卷積得到不同尺度下的尺度空 間；公式如下： L(x, y, σ) = 0(x,y, σ) * 1(χ, y") (1) 其中，（U;)表示像素位置，￡表示尺度空間，σ表示尺度空間因子； 得到圖像的尺度空間后，采用金字塔方法，即用差分高斯金字塔函數(shù)與圖像卷積 得到的空間D(UA)的方法尋找來尋找極值點，得到D(HCr)的公式為： D(x.y,cr) = (G(x. y,k<f) - G(x,y, a)) *I(xry) + ' ' ' " (2) =L (x, y,ka)- L(x, y, σ) 其中k是相鄰兩個不同的尺度空間； (3) 根據(jù)極值點進而確定關鍵點，對關鍵點賦予的一個方向，實現(xiàn)圖像的旋轉不變性， 具體做法為，根據(jù)關鍵點所在的尺度，選擇與該尺度最相近的高斯平滑圖像計算￡上每 一個點I(U)的梯度與方向；
(4) 關鍵點周圍選擇一個鄰域，以關鍵點為中心利用所有在此區(qū)域內的點的梯度形成 一個直方圖； 并對其中點的梯度做高斯加權； 這個鄰域劃分為四個子區(qū)域，在每個子區(qū)域取八個方向； 從而得到圖像的尺度不變特征變換； 步驟二、特征編碼 用分塊的方法將圖像分割為WxW塊后，每塊用上述的尺度不變特征變換得到圖像的 局部特征后，利用壓縮感知的思想，系統(tǒng)隨機生成一個隨機字典B，然后通過稀疏表示得到 特征編碼； 假如系統(tǒng)生成的隨機字典為，一幅圖像7分割為F塊# = [~工4是.F圖像尺度 不變特征變換提取的第》塊特征，一幅圖像的每一局部塊通過式（5)可求得特征編碼，公式 如下：
其中J是常數(shù)，?是所求特征編碼 步驟三、圖像中不同尺度的特征融合 利用（5)式得到一副圖像的特征編碼矩陣為,t]，4是對應Aj塊的系數(shù)，為了 融合系數(shù)用最大池方法，其定義為： Zi = max {丨4丨工滅沉|} (6) 其中A是池向量Z的第1個元素，i·表示系數(shù)編碼矩陣?的I行，J列； 最后使用空間金字塔匹配算法，即將一副圖像分割成2x2與4x4不同的塊，就可以對 不同空間位置和尺度的子區(qū)域進行特征編碼，假如使用空間金字塔匹配算法求得該尺度的 最大池為^，然后將不同尺度和區(qū)域的特征向量串接起來，最后得到這副圖像特征向量； 步驟四、分類 用上述方法特征提取得到每幅圖像的特征向量后，采用核稀疏表示方法來分類，核函 數(shù)采用直方圖交叉核，其表達式如下：
其中XilYy是兩個維度為w的特征向量，aM，b s分別是Xil Yi特征向量的特征值； 假如圖像特征提取后得到的訓練集為測試樣本為3^]，以第i個測試樣本 為例，A可以通過矩陣J核表示為：
其中3是核函數(shù)#高維特征投影空間的稀疏系數(shù)，將上式展開后得到的式子如下：
其中yi表示第,個測試樣本，Σ?!.1也4)表示求Yi與I的直方圖交叉核； 解式（9)得到系數(shù)#后，最后通過求最小殘差^的來分類：
式中#/表示第J類相應的稀疏表示系數(shù)。
【文檔編號】G06K9/00GK104376312SQ201410739127
【公開日】2015年2月25日 申請日期:2014年12月8日 優(yōu)先權日:2014年12月8日
【發(fā)明者】周凱, 元昌安, 鄭彥, 宋文展 申請人:廣西大學