基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法与流程

本发明属于人脸识别技术领域，具体涉及一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法。

背景技术：

人脸识别一直是最流行的生物识别方法，在未来几十年中具有巨大的应用潜力。当训练样本足够多并且有利的时候能够得到良好的特征表示用于描述人脸的特征，但是在现实世界中每个人的人脸图像经常被遮挡、光照、距离等一些外在因素所影响。因此，具有低质量图像的人脸识别比具有足够多且有利的训练样本的人脸识别更具有挑战性。

基于稀疏表示分类的人脸识别方法近年来已经表现出良好的人脸识别性能。但是基于稀疏表示分类的人脸识别方法的基本假设为不同个体的子空间满足某些不连贯性，但是由于共同的面部器官分布并不能总是有效保持这种假设，并且不擅长利用经常出现在实际应用中的低质量图像(例如，伪装，阴影，低分辨率等)进行人脸识别。

技术实现要素：

针对现有技术中存在的不足，本发明的目的在于，提供一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法，解决现有技术无法解决的受光照影响低分辨率人脸识别问题。

为了解决上述技术问题，本申请采用如下技术方案予以实现：

一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法，包括以下步骤：

步骤1，构建一组人脸图像训练样本集x＝[x1,...,xk,....,xk]，其中xk为第k类样本矩阵，该人脸图像训练样本集即为线性子空间s，所述线性子空间s包括k类子空间；

步骤2，将线性子空间s内的人脸图像训练样本乘以多组稀疏编码向量得到多个新的人脸图像点，并分别得到所述多个新的人脸图像点的分配概率；

步骤3，给定一个测试图像y，该测试图像y不属于线性子空间s，将多个新的人脸图像点中与测试图像y的相似概率最大的新的人脸图像点作为目标人脸图像点x，设该目标人脸图像点x的分配概率为p(l(x)∈lx)，根据该目标人脸图像点x的分配概率p(l(x)∈lx)计算测试图像y的类标签在线性子空间s中的概率p(l(y)∈lx)，其中lx是线性子空间s中所有人脸样本的标签集；

步骤4，在线性子空间s中任选一类子空间作为当前类子空间xk，根据测试图像y的类标签在线性子空间s中的概率p(l(y)∈lx)计算测试图像y属于当前类k的概率p(l(y)＝k)，k＝1,2,...,k；

步骤5，重复步骤4，直至得到测试图像y属于线性子空间s中每一类的概率，将测试图像y属于线性子空间s中每一类的概率中最大概率所对应的类作为测试图像y所属类。

进一步地，通过式(1)得到所述目标人脸图像点x的分配概率p(l(x)∈lx)：

p(l(x)∈lx)∝exp(-c||α||1)(1)

式(1)中，c是常数，0<c<1，x为目标人脸图像点，l(x)表示目标人脸图像点x的类标签，α为人脸样本的稀疏编码向量，α＝[α1；α2；...；αk；...；αk]，αk是与xk相关的稀疏编码矢量。

进一步地，通过式(2)根据该目标人脸图像点x的分配概率p(l(x)∈lx)计算测试图像y的类标签在线性子空间s中的概率p(l(y)∈lx)：

其中，l(y)为测试图像y的类标签，κ为常数，0<κ<1，x是人脸图像训练样本集。

进一步地，通过式(3)计算测试图像y属于线性子空间s的第k类的概率p(l(y)＝k)：

其中，α为人脸样本的稀疏编码向量，α＝[α1；α2；...；αk；...；αk]，αk是与xk相关的稀疏编码矢量，λ＝c/κ，δ是常数，0<δ<1，γ＝δ/κ。

本发明与现有技术相比，有益的技术效果是：

本发明提高了低质量人脸识别的准确率，显著改善了低分辨率及光照变化这两个外在因素对人脸识别过程的影响，特别是对于光照条件比较恶劣的情况下也可以有效识别，具有较高的识别率。

附图说明

图1为本发明的流程图；

图2为本发明实施例中采用的人脸图像样例的示意图；

图3为本发明实施例中所得到的新的人脸图像点；

图4为本发明实施例中的测试图像示意图。

以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。

具体实施方式

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

实施例：

本实施例提供了一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法，如图1所示，包括以下步骤：

步骤1，构建一组人脸图像训练样本集x＝[x1,...,xk,....,xk]，其中xk为第k类样本矩阵，xk的每一列为一个样本向量，该人脸图像训练样本集即为线性子空间s，所述线性子空间s包括k类子空间，lx是线性子空间s中所有人脸样本的标签集；

本实施例中所构建的一组人脸图像训练样本集来自于extenedyaleb人脸数据库；extenedyaleb人脸数据库中的人脸图像共有38个不同的类别，每一类包含64种不同的光照条件，参见图2，每一类随机选择30张图像作为训练集，其余图像作为测试集。将所有图像的大小调整为32×32。

步骤2，将线性子空间s内的人脸图像训练样本乘以多组稀疏编码向量得到多个新的人脸图像点，如图3所示为本实施例中构成的多个新的人脸图像点，并得到所述多个新的人脸图像点的分配概率；

在线性子空间s内，不同的人脸图像点xi具有不同的概率l(xi)∈lx，其中xi表示第i个新的人脸图像点，l(xi)表示人脸图像点xi的分类标签，p(l(xi)∈lx)与该图像点的稀疏编码向量αⁱ的l1范数成反比，使用拉普拉斯核函数定义这个概率：p(l(xi)∈lx)∝exp(-c||αⁱ||1)，其中c是常数，0<c<1，其值可根据实验设定。

步骤3，给定一个测试图像y，如图4，该测试图像y不属于线性子空间s，将多个新的人脸图像点中与测试图像y的相似概率最大的新的人脸图像点作为目标人脸图像点x，设该目标人脸图像点x的分配概率为p(l(x)∈lx)，根据该目标人脸图像点x的分配概率p(l(x)∈lx)计算测试图像y的类标签在线性子空间s中的概率p(l(y)∈lx)；

所述目标人脸图像点x的分配概率p(l(x)∈lx)为：

p(l(x)∈lx)∝exp(-c||α||1)(1)

式(1)中，c是常数，0<c<1，其值可根据实验设定，x为目标人脸图像点，l(x)表示目标人脸图像点x的类标签，α为人脸样本的稀疏编码向量，α＝[α1；α2；...；αk；...；αk]，αk是与xk相关的稀疏编码矢量。

目标人脸图像点x与测试图像y的相似概率为：

则测试图像y的类标签在线性子空间s中的概率p(l(y)∈lx)为：

式(2)中，l(y)为测试图像y的类标签，κ为常数，0<κ<1，x是人脸图像训练样本集。

为了使概率p(l(y)∈lx)最大化，将对数运算符应用于式(2)：

其中λ＝c/κ。

步骤4，在线性子空间s中任选一类子空间作为当前类子空间xk，根据测试图像y的类标签在线性子空间s中的概率p(l(y)∈lx)计算测试图像y属于当前类k的概率p(l(y)＝k)，k＝1,2,...,k；

本实施例中xk为第k类样本矩阵，假设共有k个类，每一类有n个样本，每个样本为一列，其维度设为d，则xk矩阵大小为d×n，x矩阵大小为d×(n×k)，αk向量大小为n×1，稀疏编码向量α大小为(n×k)×1。

根据该目标人脸图像点x与类子空间中的数据点zk＝xkαk的相似性概率p(l(x)＝k|l(x)∈lx)计算测试图像y属于当前类k的概率p(l(y)＝k)为：

目标人脸图像点x与当前类子空间xk的数据点zk＝xkαk的相似概率为

其中α＝[α1；α2；...；αk；...；αk]，αk是与xk相关的稀疏编码矢量，δ是一个常数，0<δ<1，其值可根据实验设定。

则测试图像y属于当前类k的概率p(l(y)＝k)为：

其中，α为人脸样本的稀疏编码向量，α＝[α1；α2；...；αk；...；αk]，αk是与xk相关的稀疏编码矢量，λ＝c/κ，δ是常数，0<δ<1，其值可根据实验设定，γ＝δ/κ。

将对数运算符应用于式(4)并忽略常数可得：

其中，k表示人脸图像的总类别数，参数γ和λ为平衡因子，可以根据先验知识设置，或者根据训练数据使用交叉验证技术来确定γ和λ。

对于式(5)，具体求解步骤如下：

(a)将上式写成以下形式：

minf(x)+g(z)

s.t.x-z＝0

其中，

(b)初始化：α⁰＝z⁰＝u⁰＝0，最大迭代次数maxiter＝100，迭代误差ε＝0.001，初始迭代步数j＝0，γ＝0.01，λ＝1。

(c)迭代：

z^j+1＝sλ(α^j+1+u^j)；

u^j+1＝u^j+α^j+1-z^j+1；

直到收敛或在固定的迭代次数之后停止。

其中，sλ(·)为收缩函数，x'k是一个与x大小相同的矩阵，而只有xk的样本分配给x'k中与x对应的位置，即x'k＝[0,...,xk,...,0]，设

步骤5，重复步骤4，直至得到测试图像y属于线性子空间s中每一类的概率，将测试图像y属于线性子空间s中每一类的概率中最大概率所对应的类作为测试图像y所属类。

本实施例通过式(3)计算测试图像y属于线性子空间s的第k类的概率p(l(y)＝k)：

其中，α为人脸样本的稀疏编码向量，α＝[α1；α2；...；αk；...；αk]，αk是与xk相关的稀疏编码矢量，λ＝c/κ，δ是常数，0<δ<1，其值可根据实验设定，γ＝δ/κ。本实施例中，对于低分辨率光照变化的人脸图像所达到的识别率为98.04％。