专利名称：一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法
技术领域：
本发明涉及人脸识别领域，具体的涉及一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法。
背景技术：
人脸识别是一种重要的生物认证技术，近三十年来，研究人员提出了大量的方法， 并已广泛用于视频监控等安全保障系统中。但是，由于距离和硬件条件等的限制，在大场景视频监控系统中拍摄的感兴趣人脸图像分辨率往往比较低，另一方面进行监控时，往往不能对被监控对象进行约束，感兴趣人脸图像常常存在着非正面人脸图像，而与之相对应的系统中登记在册的往往是被监控对象的某种固定视角的高分辨率图像(这个固定视角通常为正面)，从而降低了人脸识别的性能。如何在低分辨率及视角变化的条件下提高识别效果，是目前人脸识别需要解决的问题。在视角变化和分辨率变化的双重干扰下的人脸识别研究工作较少，大致可以分为两类。第一类为借助多视角识别库的帮助，通过识别库中与测试图像相同人物相似视角图像的辅助，较好地完成视角变化下的低分辨率人脸识别。此类方法在识别库人脸仅由一种固定视角构成时效果将大大下降或者直接无法工作。而第二类方法为通过逐步实现视角变化和分辨率增强两个步骤完成视角变化下的低分辨率人脸识别。该类方法可以工作在识别库人脸仅由一种固定视角构成的条件下，但视角变化和分辨率增强两步均会引入误差，两步的误差叠加不利于最终的识别。
发明内容
本发明的目的在于克服上述现有技术的缺点，提出了一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法。为了达到上述目的，本发明采用的技术方案是1)首先，利用训练数据为每一个固定视角到识别库视角的超分辨率识别单独建立一个变换模型和识别模型，有多少个固定视角，就建立多少个变换模型和识别模型；2)然后，估计测试低分辨率图像的视角；3)最后，将测试低分辨率图像按步骤幻中估计的视角，输入到步骤1)中的变换和识别模型中进行识别。步骤1)中单独建立一个变换和识别模型，其中单独建立一个变换模型包含以下步骤1)分别利用经典的主成分分析方法提取固定视角训练低分辨率图像和识别库视角训练高分辨人脸图像的识别特征给定一组固定视角的低分辨率训练人脸图像和另一固定视角的高分辨率训练人脸图像，为不失一般性，假设给定的低分辨率固定视角为侧面视角，假设给定的高分辨率视角为正面视角。分别用严={/；"},=(/广C)和广=(/Λ...,O表示，其中m表示训练样本个数，下标代表样本标号，上标nl，fh分别表示侧面低分辨率和正面高分分辨。分别计算出对应的侧面低分辨率均值μnl与PCA基矩阵，正面高分辨率均值μ fh与PCA基矩阵<，对应的侧面低分辨率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，其中上标T表示矩阵转置操作
yf =^1YiI- -μ"1)
yf =(9^ (If1-μ1")2)利用上述所提取两组识别特征作为训练数据，根据典型相关分析(Canonical Correlation Analysis, CCA)算法得到映射基向量，根据此映射基向量将识别特征转换为相关特征采用r"w，m” =Cy1M..,Zf分别表示侧面低
分辨率PCA特征和正面高分辨率PCA特征，其中m表示训练样本的数目，用 F'=Fri-￡(广)与穴=P-E(P)分别表示对应的去中心化数据，Ε(·)表示数学期望， Vfh和Vnl分别表示对应的正面高分辨率和侧面低分辨率典型相关变换矩阵，Vfh和Vnl可由典型相关分析的算法求得。计算对应的侧面低分辨率相关特征Cnl和正面高分辨率相关Cfh 特征Qnl =(γη1γγη1Cjh=(Fjh)rYjh3)利用径向基函数(Radial Basis Function, RBF)在相关空间中建立两种不同视角不同分辨率训练人脸图像相关特征之间的映射关系，根据此映射关系得到测试低分辨率人脸图像对应的识别库视角下的高分辨率相关特征的估计对于输入的侧面低分辨率图像<，其中t表示一个测试样本的标号，其对应的PCA
特征被计算出来
Z = (Z)W)把侧面低分辨率PCA特征投影到相关空间cf = (V"' f (yf - EiYnl))采用训练得到的径向基函数将侧面低分辨率相关特征cf非线性映射得到正面高
分辨率相关特征cf 其中树= -C^ +1为所用的多维二次曲面径向基函数，T为矩阵
转置运算，W为训练得到的权值矩阵，W的计算表达式为W = Cfh · inv ( Φ + τ Ε)
其中inv表示对矩阵的求逆运算，τ为一个很小的正常数，取值范围为0. 001 0. 1，E为单位矩阵，Φ为一个数据矩阵，可以由训练数据计算得到，计算表达式为
权利要求
1.一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法，其特征在于 包含以下步骤1)首先，利用训练数据为每一个固定视角到识别库视角的超分辨率识别单独建立一个变换模型和识别模型，有多少个固定视角，就建立多少个变换模型和识别模型；2)然后，估计测试低分辨率图像的视角；3)最后，将测试低分辨率图像按步骤幻中估计的视角，输入到步骤1)中的变换和识别模型中进行识别。
2.根据权利要求1所述的基于相关特征和非线性映射的固定视角人脸超分辨率识别方法，其特征在于所述步骤1)中单独建立一个变换和识别模型，其中单独建立一个变换模型包含以下步骤1)分别利用经典的主成分分析方法提取固定视角训练低分辨率图像和识别库视角训练高分辨人脸图像的识别特征给定一组固定视角的低分辨率训练人脸图像和另一固定视角的高分辨率训练人脸图像，为不失一般性，假设给定的低分辨率固定视角为侧面视角，假设给定的高分辨率视角为正面视角。分别用广={<}==(/广和广表示，其中m表示训练样本个数，下标代表样本标号，上标nl，fh分别表示侧面低分辨率和正面高分分辨。分别计算出对应的侧面低分辨率均值μ nl与PCA基矩阵，正面高分辨率均值μ fh与PCA基矩阵<，对应的侧面低分辨率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，其中上标T表示矩阵转置操作Z=(Z)W)2)利用上述所提取两组识别特征作为训练数据，根据典型相关分析(Canonical Correlation Analysis, CCA)算法得到映射基向量，根据此映射基向量将识别特征转换为相关特征采用”《...’<)、YfhHymy分别表示侧面低分辨率PCA特征和正面高分辨率PCA特征，其中m表示训练样本的数目，用 F'=Fri-￡(广)与穴=P-E(P)分别表示对应的去中心化数据，Ε(·)表示数学期望， Vfh和Vnl分别表示对应的正面高分辨率和侧面低分辨率典型相关变换矩阵，Vfh和Vnl可由典型相关分析的算法求得。计算对应的侧面低分辨率相关特征Cnl和正面高分辨率相关Cfh 特征
3.根据权利要求1所述的基于相关特征和非线性映射的固定视角人脸超分辨率识别方法，其特征在于所述步骤1)中单独建立一个变换和识别模型，其中建立一个识别模型包含以下步骤1)将识别库视角下的高分辨率图像按照测试图像的视角输入到权利要求1中步骤1) 中所述的变换模型中，利用正面高分辨率相关特征变换矩阵，获得真实的高分辨率相关特征；2)利用基于L2范数的最近邻分类器，利用真实的高分辨率相关特征和估计得到的高分辨率相关特征进行对比识别。
4.根据权利要求1所述的基于相关特征和非线性映射的固定视角人脸超分辨率识别方法，其特征在于所述步骤幻估计测试低分辨率图像的视角，包含以下特征采取简单的模板匹配的方法对测试的低分辨率图像进行视角估计。各个视角低分辨率人脸模板由对应视角下的低分辨率训练人脸图像加权平均得到。当输入测试低分辨率图像与各个模板进行比较时，选择误差最小的模板对应视角为测试图像的视角估计输出。
全文摘要
一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法。本发明针对输入某一未知固定视角低分辨率人脸图像与识别库中其他固定视角高分辨率人脸图像的比对识别问题，提出了一种利用相关特征和非线性映射获得固定视角高分辨率相关识别特征的方法。本发明为每一种固定视角低分辨率图像和识别库视角的高分辨率图像建立一个变换模型和一个识别模型，利用典型相关分析建立固定视角低分辨率图像和识别库视角高分辨率图像特征相关空间，采用径向基函数在此相关空间建立非线性的变换模型，然后利用模板匹配的方法估计出测试图像的视角，最后将测试图像输入到对应视角下的变换模型和识别模型中。本发明实现了对分辨率与视角变化的同时处理，所得识别率较高。
文档编号G06K9/62GK102289679SQ20111025230
公开日2011年12月21日 申请日期2011年8月30日 优先权日2011年8月30日
发明者曾啸, 黄华 申请人:西安交通大学