人脸表示和相似度计算方法
【专利摘要】本发明公开了一种人脸表示和相似度计算算法。在离线训练阶段收集带有标注的人脸训练集，每人包含 50-100 张人脸图像，将集合中图像归一化后划分为 2*2 个相同大小的人脸块。对每个人脸块，稠密的提取 k*k 像素的小块，进行均值归零，方差归一预处理后，基于 K-means 聚类学习卷积核。每个人脸块得到 K 个卷积图像，对整张输入人脸的 K*2*2 个卷积图像，分别进行均值 Pooling 操作和 ReLU 非线性操作后将所有响应图的特征拉直。对拉直后的特征，学习主成分分析（ PCA ）投影，经过 PCA 降低维度后，基于线性判别分析（ LDA ）算法学习判别投影，得到紧凑、鲁棒的人脸表示，对两幅图像的人脸表示进行内积运算得到相似度。
【专利说明】人脸表示和相似度计算方法
【技术领域】
[0001] 本发明属于计算机视觉和图像处理【技术领域】，特别的涉及人脸的表示和相似度计 算方法。
【背景技术】
[0002] 计算机人脸识别是指基于已知的人脸样本库，利用计算机分析图像和模式识别技 术从静态或动态场景中，识别或验证一个或多个人脸，利用特征提取技术抽取人脸的多个 可能的特征表示，该技术被广泛的应用于公共安全，身份证明等重要场合，有效的进行人脸 识别的关键在于快速，准确的进行人脸特征表示。现有技术中已经有一些人脸特征表示算 法，利用卷积核对输入人脸图像进行卷积处理得到人脸的多维特征向量表示，运算涉及的 卷积核选取没有充分利用丰富的人脸训练数据，特征向量的维度设置过小影响精度，设置 过大影响速度，从而整体上制约了人脸特征表示以及相似度计算的准确性。
[0003] 为克服现有技术的上述不足之处，本发明提出了一种基于卷积核学习的人脸表示 算法和相似度计算方法，利用训练集离线学习得到的卷积核参与到人脸图像的卷积操作 中，利用训练集学习得到的降维和分析矩阵进行人脸判别特征提取，在得到紧凑、鲁棒的人 脸表示后，能够快速的得到图像之间的相似度，实现了准确，快读，鲁棒的人脸表示和相似 度计算。
【发明内容】
[0004] 本发明提出了一种人脸表示和相似度计算方法，其特征在于： (1) 收集生成网络人脸训练集； (2) 利用训练集中的人脸图像训练得到卷积核； (3) 利用所述卷积核，对训练集中的人脸图像进行特征表示； (4) 利用所述卷积核，对输入人脸图像进行特征表示； (5) 在训练集中的人脸图像特征表示中提取判别特征； (6) 在输入人脸图像特征表示中提取判别特征； (7) 利用判别特征，计算图像相似度。
[0005] 优选的是，其中步骤⑴具体为：选择C个名人，其中c=l，2,……，C，名 人对应有张图像，其中50〈 W〈100,名人对应的所有图像集合为，将训练集记为
【权利要求】
1. 一种人脸表示和相似度计算方法，其特征在于： (1) 收集生成网络人脸训练集； (2) 利用训练集中的人脸图像训练得到卷积核； (3) 利用所述卷积核，对训练集中的人脸图像进行特征表示； (4) 利用所述卷积核，对输入人脸图像进行特征表示； (5) 在训练集中的人脸图像特征表示中提取判别特征； (6) 在输入人脸图像特征表示中提取判别特征； (7) 利用判别特征，计算图像相似度。
2. 如权利要求1所述的方法，其中步骤⑴具体为：选择C个名人 其中c=l，2,……，C，名人/丨对应有张图像，其中50〈 .Y,.,〈100,名人/丨对应的所有图 像集合为/p，将训练集记为
，训练集合中的图像丨，其中 i=l,2,……，N，体现姿态、光照和表情的变化。
3. 如权利要求2所述的方法，其中步骤（2)具体为：将训练集中的人脸图像对齐，对齐 后的人脸图像大小为128*80像素，将每幅图像I划分为2*2个大小相同的人脸块，每个 人脸块图像大小为64*40像素，对所有图像的所有人脸块分别进行处理，得到卷积核。
4. 如权利要求3所述的方法，其中对所有图像的所有人脸块分别进行处理，得到 卷积核的步骤具体为：每幅图像对应位置j的人脸块记为其中i=l，2,……N， ?i-r j=l, 2, 3, 4,在每个人脸块i上提取k*k大小的小块，步长为1，则该人脸块，w表不为：
，其中l〈k〈40,m=64-k+l，n=40_k+l， 计算
，将^咸去该均值\，并将每一维特征的方差归一，得到每幅图像X对 应位置j的人脸块表示：
，对所有N幅图像对应位置j的 人脸块依次处理，将得到的N个表示I连接起来,得到训练集中N幅图像的位置j的人脸 块表示为
对该f;进行K-means聚类学习，得到K个 聚类中心，记为：
，其中心表示其中的第t个聚类中心， t=l，2,……K，每个聚类中心作为一个独立的卷积核，对所有图像的所有位置j的人脸块都 按照上述步骤分别进行卷积核学习，得到！/) ,j=l，2, 3, 4}。
5. 如权利要求4所述的方法，其中步骤（3)具体为：对人脸图像卷积操作后进行 Pooling操作和ReLU操作以进行特征表示。
6. 如权利要求5所述的方法，其中的卷积操作具体为：将每个聚类中心心做为一 个卷积核，进行内积运算
，将拉直的卷积向量€还原为二维图像，对 训练集中的人脸图像X中的所有f,j=l，2, 3, 4,进行上述内积运算，相同位置的人脸块 对应相同位置训练得出的卷积核，共得到2*2*K个卷积图像，其中每个卷积图像的大小为m*n〇
7. 如权利要求6所述的方法，其中的Pooling操作具体为：利用均值Pooling操作来 提取不变特征，将每个m*n的卷积图像划分为4*4像素大小的不重叠的网格，计算每个网格 的均值，得到均值Pooling后的响应图，经过Pooling操作后，每个响应图的大小为（m/4)* (n/4)。
8.如权利要求7所述的方法，其中的ReLU操作具体为：将均值Pooling操作后输出的 响应图中的负响应值归0，保留正响应值，通过ReLU操作，加入了特征的非线性，对于输入 的
，将ReLU操作后的所有响应图拉直后得到的人脸块 表示为/，特征维度为K* (m/4)* (n/4)，将2*2个位置得到的人脸块表示/;依次连接起 来，得到训练集人脸图像.1的特征表示特征维度是A=2*2*K* (m/4)* (n/4)维。
9. 如权利要求4所述的方法，其中步骤（4)具体为：对人脸图像卷积操作后进行 Pooling和ReLU操作以进行特征表示。
10. 如权利要求9所述的方法，其中的卷积操作具体为：对输入人脸图像7,对齐为 128*80像素的人脸图像，将其划分为2*2个大小相同的人脸块，每个人脸块图像大小为 64*40像素，对应位置j的人脸块记为F, ,j=l，2, 3, 4,在每个人脸块F:上提取k*k大小的 小块，步长为1，则该人脸块|丨表示为：
，其中
l〈k〈40,m=64-k+l，n=40-k+l，计算 ，将t.减去该均值，并将每一维特征的方 ' -- 1 差归一，得到该图像f的第j位置人脸块的表示
，将每个聚 类中心心做为一个卷积核，进行内积运算
，将拉直的卷积向量f还 原为二维图像，对输入人脸图像7中的所有K,进行上述内积运算，j=l，2, 3, 4,相同位置的 人脸块对应相同位置训练得出的卷积核，共得到2*2*K个卷积图像，其中每个卷积图像的 大小为m*n。
11. 如权利要求10所述的方法，其中的Pooling操作具体为：利用均值Pooling操作 来提取不变特征，将每个m*n的卷积图像划分为4*4像素大小的不重叠的网格，计算每个网 格的均值，得到均值Pooling后的响应图，经过Pooling操作后，每个响应图的大小为（m/4) * (n/4)。
12.如权利要求11所述的方法，其中的ReLU操作具体为：将均值Pooling后输出的响 应图中的负响应值归〇,保留正响应值，通过ReLU操作，加入了特征的非线性，对于输入的
，将ReLU操作后的所有响应图拉直后得到的人脸块表示为 /；，特征维度为K* (m/4)* (n/4)，将2*2个位置得到的人脸块表示/；依次连接起来，得到 输入人脸图像7的表示/'，特征维度是A=2*2*K* (m/4)* (n/4)维。
13. 如权利要求12所述的方法，其中步骤（5)具体为：对人脸图像特征表示经过主成 分分析降维计算和线性判别分析得到判别特征。
14. 如权利要求13所述的方法，其中主成分分析降维计算的步骤具体为：计算训 练集特征表示的协方差矩阵
，其中^是训练集中所有N幅 图像的特征表示&的均值，令
其中 ?^ri对应孚的前r个最大特征值对应的特征向量，对于输A特征A，经过主 成分分析降维后得到，
训练集中的所有人脸图像的特征表示经过降 维后记为，,=|/|:，/s，......《，!/}。
15. 如权利要求13所述的方法，其中线性判别分析具体 歸另"十胃關B陳€ $瞧旬體&錢_誠M
，A表不第作个 人所有图像~的特征向量主成分分析降维度后的均值，A是训练集中所有图像的特 征表示Z的均值，
，PCA_Dim=r，其中 {rJI=U,……，fi是以下泛化特征值问题最大的q个特征值H，=u........j对应 的特征向量
，对/k.进行判别特征提取，得到判别特征
16. 如权利要求15所述的方法，其中步骤（6)具体为：对人脸图像特征表示经过主成分 分析降维计算和线性判别分析得到判别特征。
17. 如权利要求16所述的方法，其中的主成分分析降维计算具体步骤为：对输入图像7 的特征表示&，计算
得到^后，计算得到判别特征
18. 如权利要求16所述的方法，其中步骤（7)具体为：对~进行二范数 归一得到
，对~进行二范数归一得到
进行内积计算 得到输入图像7和训练集人脸图像x的相似度。
i
【文档编号】G06K9/66GK104408405SQ201410604043
【公开日】2015年3月11日 申请日期:2014年11月3日 优先权日:2014年11月3日
【发明者】不公告发明人 申请人:北京畅景立达软件技术有限公司