专利名称：一种基于子空间的增量学习人脸识别方法
技术领域：
本发明涉及一种模式识别技术领域，具体涉及一种基于子空间的增量学习人脸识别方法。
背景技术：
近二十年来，人脸识别技术作为一种高效的生物特征识别技术，日益受到学术界以及工业界的重视。相对于其他技术，人脸识别技术具有自然性，高可接受性，识别进行时不易被人脸察觉等优势，因而其在视频监控、犯罪调查、娱乐、军事等领域具有巨大的应用潜力。早期的研究者往往通过选择提取人脸图像的几何特征来进行人脸识别。然而，由于几何特征的提取十分困难，而且对于表情、光照以及拍摄角度的变化十分敏感，因而后来的研究者更倾向于采用基于灰度信息的特征提取方法。其中最为常见的方法是原始的高维数据映射到一个低维的特征空间，然后对低维数据进行比较，此类方法典型代表有PCA、LDA 等。此外，比较常见的人脸识别方式还有基于模板的识别算法，利用神经网络的识别算法寸。经对现有技术文献的检索发现Jun Liu等在《Single Image Subspace for Face Recognition》中首先提出了将单张人脸图片表示为一组子空间，通过比较子空间相似度来获取最终识别结果的方法。在多个数据库中进行的实验表明，无论是在多训练样本条件下， 还是在单训练样本条件下，此方法的识别准确率均高于许多已有的经典算法。其不足之处在于对于每张人脸图片都必须单独地生成多个对应的子空间，这意味着即使是某人两张差别很小的照片，也必须要由两组的子空间来表示，即使这两组的子空间本身也十分相似。由于进行识别比较时，花费时间与样本子空间数目成正比，因此当在增量学习过程中，习得的样本数目增大很多时，识别耗时会也相应增加很多。
发明内容
发明目的本发明所要解决的技术问题是针对现有技术的不足，提供一种能够提高现有人脸识别系统的准确性和速度的基于子空间的增量学习人脸识别方法。为了解决上述技术问题，本发明公开了一种基于子空间的增量学习人脸识别方法，包括以下步骤步骤一人脸图片的预处理将所有训练样本图片和测试图片进行规范化，并对每张图片进行分块平移。步骤二 生成一组以上训练样本子空间和一组测试图片子空间对于训练样本图片中每个图片的分别用一组正交基底表示，将所有训练样本图片中属于同一人脸的图片归类，生成一组样本子空间表示该类的人脸，每一个样本子空间都采用一组正交基底来表示， 从而生成一组以上训练样本子空间；在训练集中，需要将属于同一人脸的所有图片信息整合，生成惟一的一组样本子空间来代表这个类的人脸。对于一个测试图片生成一组用正交基底表示的子空间，即生成一组测试图片子空间。步骤三比较测试图片子空间与一组以上训练样本子空间之间的相似度将测试图片子空间分别与表示第7类人脸的一组样本子空间进行比较，1^7^5，S为训练样本中人脸总数，找出与测试图片整体相似度分数最高的人脸的样本图片，记两者属于同一人脸，标识为f类。步骤四增量学习如果在步骤三中标识为第类的测试图片与表示第类人脸的样本图片之间的相似度大于设定阈值，则通过基底变换法对该组样本子空间进行调整， 生成一组新的样本子空间。本发明步骤一人脸图片的预处理包括以下步骤将所有图片裁剪成相同大小，保证所有图片中人脸的双眼位于图片中的同一位置；对所有图片进行直方图均衡化；将每张图片划分为多个相互重叠的大小相同的子块，令每个子块各自生成mXn张平移图片其中 m、n为自然数。本发明步骤二中正交基底表示图片包括令图片各子块生成一个子空间设A11, A12，...，Amn为mXn张平移图片的灰度矩阵，令矩阵Ai,」，每列首尾相连，其中1彡i ‘ ^m, I^j'彡n，得到列向量ai, j,，将每个子块由一个子空间& = span(an, a12, . . .，aJ表示，并计算子空间&的正交基底。用格拉姆-施密特正交化计算出子空间&的正交基底。本发明中步骤二中，如果训练样本中两张以上图片属于同一人脸，则将该类所有图片的子空间整合，子空间整合方法如下要将维数为k的子空间U和维数为k的子空间V整合，生成一个维数为k的子空间W，首先将子空间U和子空间V表示为如下形式 U = SpaniPl,P2,...,Pk)，V 二 span(H,...,qk) ’P1、说分别表示子空间U和子空间V的标准正交基，l^i^k ；子空间U中第i个基底总与子空间ν中第i个基底说之间的夹角为两个子空间之间的第i个主角度，其中1彡i彡k ；令参数化=(I-R)A 危，W = span(wi; w2, w3, . . . , wk)即为同时代表子空间V与子空间U的空间，Jli为学习率参数，取值范围为W， 1]，Hi越大，则表示新加入的图片对原有子空间的影响越大。本发明步骤三包括以下步骤计算测试图片各子块与每个训练图片各子块的子空间相似度JM^j表示测试图片的第丨个子块与第7类人脸的第丨个子块间的相似度，即为局部相似度分数；将各局部相似度分数^^，7相加，得到测试图片与代表第)类人脸的那一组样本子空间的整体相似度分数& 勺;根据下式找出与测试图片整体相似度分数 &0，最高的人脸的样本图片，记两者属于同一人脸，标识为f类/ =argm’X&we7。本发明步骤四包括以下步骤步骤41，判断步骤三中标识为第类的测试图片与表示第Γ类人脸的样本图片之间的整体相似是否大于整体相似度阈值Τ，如果是， 则进行步骤42，如果否，则不进行增量学习；步骤42，判断步骤三中标识为第j*类的测试图片与表示第Γ类人脸的样本图片之间的局部相似度分数是否大于局部相似度阈值 h，如果是，则通过式化=(i-^)A+% 对原训练样本子空间的基底进行调整。有益效果本发明具有以下优点1、实现了增量学习，在识别过程中能够充分利用已接触的信息，对识别结果进行改进；2、在进行增量学习时能够充分利用原有的计算结果，避免了重复计算，节省了计算量；3、在进行增量学习，改进了原有数据样本的质量的前提下，没有增加需要存储的数据量，进而避免了随着学习的进行识别运算负担加重的问题；4、新的子空间相似度度量方式；5、较高的识别准确率。
下面结合附图和具体实施方式
对本发明做更进一步的具体说明，本发明的上述和 /或其他方面的优点将会变得更加清楚。图1为本发明流程图。
具体实施例方式如图1所示，本发明流程包括以下各个部分。一、预处理阶段对所有图片进行归一化处理，包括人脸图像的大小归一化和灰度归一化首先依据人脸图像双眼的中心位置裁剪出标准的MXN大小人脸图像，然后进行直方图均衡化操作减轻光照条件变化所带来的影响。接着，将已归一化的MXN大小图像分割为c个RXC大小的子块。为了兼顾到识别的效率和鲁棒性，R和C 一般分别设为M和N的1/3，并且相邻的两子块间，有一半的像素是重合的。通过对图像的分割，将有助于人脸图像局部特征的提取。利用局部特征进行比较，具有如下优势减轻“维度灾难”问题；使得人脸之间局部比较相似性成为可能；增加了样本多样性；降低了存储和计算代价。随后，对于每个RXC大小的子块，进行以下平移操作，生成mXn个IXr大小的新样本图片Ai, j, = A(i' :(l+i ‘ -1), j ‘ (r+j ‘ _1))I^i' ^ m, 1 ^ j ‘ Sn。其中A为该子块的灰度矩阵，Ai, j,为新生成的平移图像，有l=M-m+l，r = N-n+l， 其中参数m和η设定为3。二、样本子空间的生成阶段利用由单个子块生成的一组平移图像，可建立一个子空间SA = span(A11, A12, . . . , Amn)。随后，其可等价表示为 = span (a
11 ‘ ^12 ‘ · · · ‘ ^mn/ O其中，ai, J, =Veciki, J,)，表示ai, 为矩阵Ai,」，列首尾相连所得到的列向量。接着，计算出子空间&一组正交基底。考虑到计算量的问题，此时计算正交基底可采用格拉姆-施密特正交化方法。若训练样本中有多张图片属于同一人脸，则需要将它们的子空间信息整合在一起。子空间信息整合操作将在增量学习阶段详细介绍。三、测试图片与样本子空间的比较3. 1子空间相似度度量在 Single Image Subspace for Face Recognition 中，Liu 提出了一贝丨J基于正交投影的子空间距离公式
权利要求
1.一种基于子空间的增量学习人脸识别方法，其特征在于，包括以下步骤步骤一人脸图片的预处理将所有训练样本图片和测试图片进行规范化，并对每张图片进行分块平移；步骤二 生成一组以上训练样本子空间和一组测试图片子空间 对于训练样本图片中每个图片的分别用一组正交基底表示，将所有训练样本图片中属于同一人脸的图片归类，生成一组样本子空间表示该类的人脸，每一个样本子空间都采用一组正交基底来表示，从而生成一组以上训练样本子空间；对于一个测试图片生成一组用正交基底表示的子空间，即生成一组测试图片子空间； 步骤三比较测试图片子空间与一组以上训练样本子空间之间的相似度 将测试图片子空间分别与表示第7类人脸的一组样本子空间进行比较，，S为训练样本中人脸总数，找出与测试图片整体相似度分数最高的人脸的样本图片，记两者属于同一人脸，标识为f类；步骤四增量学习如果在步骤三中标识为第类的测试图片与表示第类人脸的样本图片之间的相似度大于设定阈值，则通过基底变换法对该组样本子空间进行调整，生成一组新的样本子空间。
2.根据权利要求1所述的一种基于子空间的增量学习人脸识别方法，其特征在于，步骤一人脸图片的预处理包括以下步骤将所有图片裁剪成相同大小，保证所有图片中人脸的双眼位于图片中的同一位置； 对所有图片进行直方图均衡化；将每张图片划分为多个相互重叠的大小相同的子块，令每个子块各自生成mXn张平移图片其中m、n为自然数。
3.根据权利要求2所述的一种基于子空间的增量学习人脸识别方法，其特征在于，步骤二中正交基底表示图片包括令图片各子块生成一个子空间设An，A12，...，Amn为mXn张平移图片的灰度矩阵，令矩阵Ai,」，每列首尾相连，其中Ki'^j'彡n，得到列向量 ，」，，将每个子块由一个子空间& = span(an, a12, ... , aj表示，并计算子空间&的正交基底。
4.根据权利要求3所述的一种基于子空间的增量学习人脸识别方法，其特征在于，步骤二中，如果训练样本中两张以上图片属于同一人脸，则将所有图片的子空间整合，子空间整合方法如下要将维数为k的子空间U和维数为k的子空间V整合，生成一个维数为k的子空间W， 首先将子空间U和子空间V表示为如下形式U = Spanipl,P2,...,pk) V = Span^q2,...,qk) ；^ 分别表示子空间 U 和子空间 V 的标准正交基，1彡i彡k ；子空间U中第i个基底总与子空间V中第i个基底说之间的夹角为两个子空间之间的第i个主角度，其中1彡i彡k;^W1 =(I-J7i)Pi+^gi, ψ = span(Wi, W2, W3, . . . , Wk)即为同时代表子空间 V 与子空间 U 的空间，Hi为学习率参数，取值范围为w，l]。
5.据权利要求4所述的一种基于子空间的增量学习人脸识别方法，其特征在于，步骤三包括以下步骤计算测试图片各子块与每个训练图片各子块的子空间相似度Jew^j表示测试图片的第^个子块与第7类人脸的第 个子块间的相似度，即为局部相似度分数％σ，，7 ‘将各局部相似度分数加，得到测试图片与代表第)类人脸的那一组样本子空间的整体相似度分数&0 7 ;根据下式找出与测试图片整体相似度分^最高的人脸的样本图片，记两者属于同一人脸，标识为类f = arg max Score-。j J
6.据权利要求5所述的一种基于子空间的增量学习人脸识别方法，其特征在于，步骤四包括以下步骤步骤41，判断步骤三中标识为第类的测试图片与表示第类人脸的样本图片之间的整体相似度是否大于整体相似度阈值T，如果是，则进行步骤42，如果否，则不进行增量学习；步骤42，判断步骤三中标识为第类的测试图片与表示第类人脸的样本图片之间的局部相似度分数是否大于局部相似度阈值纟，如果是，则通过式化=(i-^)A 对原训练样本子空间的基底进行调整。
全文摘要
本发明公开了一种基于子空间的增量学习人脸识别方法，包括以下步骤步骤一人脸图片的预处理；步骤二生成一组以上训练样本子空间和一组测试图片子空间步骤三比较测试图片子空间与一组以上训练样本子空间之间的相似度；步骤四增量学习如果在步骤三中标识为第j*类的测试图片与表示第j*类人脸的样本图片之间的相似度大于设定阈值，则通过基底变换法对该组样本子空间进行调整，生成一组新的样本子空间。本发明优点是实现了增量学习，在识别过程中能够充分利用已接触的信息，对识别结果进行改进。
文档编号G06K9/66GK102521623SQ20111040742
公开日2012年6月27日 申请日期2011年12月9日 优先权日2011年12月9日
发明者周志华, 申富饶, 竺涛, 赵金熙 申请人:南京大学