一種面向人臉識(shí)別的改進(jìn)魯棒稀疏編碼算法
【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明屬于人臉識(shí)別技術(shù)領(lǐng)域，具體涉及一種面向人臉識(shí)別的改進(jìn)魯棒稀疏編碼 算法。
【背景技術(shù)】：
[0002] 在過(guò)去的幾十年里，人臉識(shí)別在計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域獲得了越來(lái)越廣泛的 關(guān)注。作為計(jì)量生物學(xué)領(lǐng)域最為成功的應(yīng)用技術(shù)之一，人臉識(shí)別技術(shù)可以被用于社會(huì)機(jī)器 人技術(shù)領(lǐng)域，以一個(gè)自然、無(wú)接觸的方式實(shí)現(xiàn)人物身份驗(yàn)證。在實(shí)用中，人臉圖像被很多因 素影響，比如照明條件，人物姿態(tài)，面部表情等。其中，具有真實(shí)遮擋的人臉識(shí)別是一個(gè)非常 重要和困難的亟待解決的問(wèn)題。因此，魯棒的基于視覺(jué)的人臉識(shí)別吸引了來(lái)自計(jì)算機(jī)視覺(jué)、 機(jī)器人技術(shù)、人工智能等領(lǐng)域的學(xué)者的研究。
[0003] 總的來(lái)說(shuō)，人臉圖像被拉伸成一個(gè)高維度的人臉向量，然后可以在人臉空間內(nèi)使 用特征提取和維度縮減算法，這樣高維人臉向量就被轉(zhuǎn)化至一個(gè)低維的子空間。在這個(gè)人 臉子空間中就可以實(shí)施分類(lèi)和識(shí)別工作了。兩個(gè)經(jīng)典的線性人臉識(shí)別方法是主成分分析 (PCA)和線性判別分析（LDA)。PCA被廣泛用于減少原始人臉圖像的維度，被提取的特征臉 方法的特征被用來(lái)當(dāng)做其他方法的輸入量。LDA是一個(gè)有監(jiān)督的子空間學(xué)習(xí)方法，它尋找可 以最大化類(lèi)間散布的最優(yōu)規(guī)劃，同時(shí)使類(lèi)內(nèi)散布最小化。
[0004] 典型的非線性方法有基于線性方法的核方法，它應(yīng)用核函數(shù)來(lái)增強(qiáng)分類(lèi)能力。此 外還有多種多樣的非線性方法，例如局部線性嵌入（LLE)和局部保留投影（LPP)，它假設(shè)人 臉圖像數(shù)據(jù)分布與嵌入高維空間的流形相近。
[0005] 在2007年，圖形嵌入（GE)被提出，它被用來(lái)聯(lián)合一系列用于人臉識(shí)別的縮減維度 的算法，充當(dāng)它們的總體框架。每一個(gè)算法可以被視為某種圖形嵌入，特定的圖像被設(shè)計(jì)用 來(lái)描述一個(gè)數(shù)據(jù)集的某種統(tǒng)計(jì)學(xué)或幾何學(xué)特征。根據(jù)GE，邊界Fisher分析（MFA)和鄰域 判別嵌入（NDE)被大致提出。這些算法可以更好地在人臉圖像潛在的多種多樣的結(jié)構(gòu)中揭 露代表性和判別式特征。
[0006] 最近，稀疏表示被從壓縮感知理論引進(jìn)到模式識(shí)別領(lǐng)域；基于稀疏表示的分類(lèi) (SRC)對(duì)于魯棒人臉識(shí)別是一個(gè)里程碑式的算法，它可以在遮擋、出錯(cuò)和真實(shí)掩蓋的情況下 工作。SRC的基本想法是利用在擁有所有訓(xùn)練樣本的完備字典中選出很小的一部分來(lái)代表 待識(shí)別的人臉圖像。編碼稀疏度約束被用來(lái)確保在同一類(lèi)中只有一小部分樣本有明顯的非 零值，而其他樣本的值都等于或接近于零。編碼相關(guān)系數(shù)的稀疏度可以直接地由10標(biāo)準(zhǔn)來(lái) 衡量，它計(jì)數(shù)出一個(gè)向量中非零向量的個(gè)數(shù)。然而，10標(biāo)準(zhǔn)最小化是一個(gè)NP-hard問(wèn)題，因 此取而代之的11準(zhǔn)則最小化，它被廣泛應(yīng)用于上述問(wèn)題。已被證實(shí)的是在解足夠稀疏的情 況下，10準(zhǔn)則和11準(zhǔn)則最小化是等價(jià)的。
[0007] SRC的代表性保真度被代碼殘余的12準(zhǔn)則衡量，它假定代碼殘差服從高斯分布。 它可能不能夠有效地形容人臉識(shí)別中真實(shí)情況下的代碼殘差，尤其是在人臉有偽裝和遮擋 時(shí)，比如戴太陽(yáng)鏡或圍巾的人臉。魯棒稀疏編碼（RSC)尋求稀疏編碼問(wèn)題的極大似然解，所 以代碼殘余的分布比高斯分布和拉普拉斯分布更加精確，且相對(duì)SRC來(lái)說(shuō)對(duì)于遮擋的魯棒 性更好。但是，在RSC中，迭代權(quán)重規(guī)則魯棒編碼（IR3C)算法被提出用來(lái)尋求編碼問(wèn)題的 MLE解，經(jīng)常迭代次數(shù)超過(guò)10,IR3C才能獲得收斂解。

【發(fā)明內(nèi)容】
：
[0008] 本發(fā)明的目的是為了改進(jìn)算法應(yīng)用的效率，增強(qiáng)RSC對(duì)于真正遮掩的魯棒性，提 供了一種面向人臉識(shí)別的改進(jìn)魯棒稀疏編碼算法。在每一次迭代過(guò)程中，含有所有訓(xùn)練樣 本的集合，"字典"，會(huì)隨著消除具有更大編碼殘余的對(duì)象而逐步減少。被精簡(jiǎn)的字典被用來(lái) 獲得稀疏編碼問(wèn)題MLE解的收斂結(jié)果。由于消除了具有更大編碼殘余對(duì)象的干擾，iRSC更 加收斂和高效。基于AR人臉數(shù)據(jù)庫(kù)的實(shí)驗(yàn)表明iRSC在面對(duì)具有遮掩偽裝的問(wèn)題時(shí)表現(xiàn) 得比RSC和SRC更優(yōu)秀。
[0009] 為達(dá)到上述目的，本發(fā)明是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：
[0010] -種面向人臉識(shí)別的改進(jìn)魯棒稀疏編碼算法，包括以下步驟：
[0011] 步驟1 :輸入具有12標(biāo)準(zhǔn)的標(biāo)準(zhǔn)化待測(cè)圖像y及字典D;其中，字典D由所有未經(jīng) 遮擋的訓(xùn)練樣本構(gòu)成，每個(gè)字典D中的列包含單位12標(biāo)準(zhǔn)，定義y=Da，a為編碼向量，
聯(lián)的子編碼向量；
[0015] 步驟5 :將字典D(t)中的類(lèi)按照待測(cè)圖像y與該類(lèi)樣本笑之間的殘差ri(y)由小到 大排序，保留排序后的前RtX100%類(lèi)，刪除剩余的對(duì)象：D(t+1) =Rt (D(t)) ;Rt為保留系數(shù)，更 新稀疏編碼系數(shù)=札(句，這是一個(gè)新的向量，它的編碼參數(shù)是在在中與剩余類(lèi)有 關(guān)的參數(shù)；
[0016] 步驟6 :重復(fù)步驟2至5,直到收斂條件滿足，或達(dá)到迭代最大值；其中，
[0017]收斂條件為：
[0019] 其中W(t)是第t步的權(quán)重矩陣，Sw是一個(gè)正的標(biāo)量；若滿足收斂條件，或迭代達(dá)到 最大值，則結(jié)束迭代，轉(zhuǎn)到步驟7輸出結(jié)果，否則回到步驟2繼續(xù)迭代；
[0020] 步驟 7 :輸出結(jié)果identity(y) =argmiriiri(y)〇
[0021 ] 本發(fā)明進(jìn)一步的改進(jìn)在于，步驟5中，在第t步迭代中，字典的保留系數(shù)Rt定義 為：
[0023] 其中，保留系數(shù)Rt附帶固定比例或中位比例；在第t步之后，只有RtX100%的字 典樣本被保留下來(lái)應(yīng)用于下一步，保留系數(shù)Rt用來(lái)減少字典的規(guī)模，剔除對(duì)編碼貢獻(xiàn)較小 的對(duì)象，來(lái)減少總體的計(jì)算開(kāi)銷(xiāo)，同時(shí)保證完備字典的屬性不受影響。
[0024] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：
[0025] 本發(fā)明公開(kāi)的面向具有遮擋的魯棒性人臉識(shí)別算法（iRSC算法），RSC的對(duì)異常和 大面積遮擋的魯棒性被很好地保留。iRSC算法擁有高識(shí)別率和低計(jì)算開(kāi)銷(xiāo)。隨著iRSC算 法中的每一步迭代，字典的規(guī)模逐步減少，計(jì)算的復(fù)雜度也大幅地減少，它的平均運(yùn)行時(shí)間 只有RSC的16%。在這個(gè)過(guò)程中，完備字典的特征未被影響，因此，iRSC算法可以獲得與 RSC相同的識(shí)別成功率。基于AR人臉數(shù)據(jù)庫(kù)的實(shí)驗(yàn)表明iRSC算法有著比SRC和RSC更好 的綜合表現(xiàn)。
【附圖說(shuō)明】：
[0026] 圖1為本發(fā)明的算法流程圖；
[0027]圖2(a)為基于AR數(shù)據(jù)庫(kù)的字典下降曲線，圖2(b)為RSC與iRSC的收斂曲線；
[0028] 圖3(a)為6個(gè)具有面部表情變化的訓(xùn)練樣本圖，圖3(b)為2個(gè)在AR數(shù)據(jù)庫(kù)中的 具有中立的表情的測(cè)試樣本圖；
[0029] 圖4(a)至（d)分別為具有最大編碼參數(shù)的訓(xùn)練樣本以及殘差最小值和RSC與 iRSC的最終權(quán)重圖；
[0030] 圖5 (a)至（d)分別為稀疏編碼的測(cè)試樣本和每一個(gè)分類(lèi)的RSC殘差以及iRSC的 結(jié)果圖。
【具體實(shí)施方式】：
[0031] 為了使本發(fā)明的技術(shù)方案與優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及具體的實(shí)施例， 對(duì)本發(fā)明的改進(jìn)的魯棒稀疏編碼方法進(jìn)行進(jìn)一步的詳細(xì)說(shuō)明。應(yīng)注意的是，描述的內(nèi)容只 是用來(lái)解釋說(shuō)明本發(fā)明的技術(shù)方案，并不局限于這一種實(shí)施例。
[0032] 本發(fā)明涉及的技術(shù)主要解決人臉識(shí)別中具有真實(shí)遮擋和掩蓋時(shí)魯棒性較差和迭 代計(jì)算開(kāi)銷(xiāo)較大的問(wèn)題。具體方法，包括以下步驟：
[0033] 步驟1 :輸入具有12標(biāo)準(zhǔn)的標(biāo)準(zhǔn)化待測(cè)圖像y及字典D ;其中，所有未經(jīng)遮擋 的訓(xùn)練樣本被用來(lái)構(gòu)成一個(gè)完備字典D，每個(gè)字典D中的列包含單位1