基于子空间岭回归的人脸画像生成方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及一种人脸画像生成方法，可用于公共安 全领域中人脸检索与识别。
【背景技术】
[0002] 在刑侦追捕中，公安部门备有公民照片数据库，结合人脸识别技术用以确定犯罪 嫌疑人身份，但实际中一般较难获得犯罪嫌疑人照片，但却可以在画家和目击者的合作下 得到犯罪嫌疑人的素描画像来进行后续人脸检索和识别。由于画像与普通人脸照片之间有 很大的差异，直接用传统的人脸识别方法很难获取得到满意的识别效果。将公民照片数据 库中的照片合为画像能有效的减小他们纹理上的差距，进而提高识别率。
[0003] 目前，主流的人脸画像生成方法主要分为三类：其一，基于子空间学习的方法；其 二，基于稀疏表示的方法;其三，基于贝叶斯学习的方法。
[0004] Q.Liu等人在文献"Q.Liu，X.Tang,H.Jin，H.Lu，and S.Ma.A Nonlinear Approach for Face Sketch Synthesis and Recognition. In Proc. IEEE Int. Conference on Computer Vision，pp. 1005-1010,2005"中提出了一种基于局部线性嵌入的方法，通过将训 练集和测试集中的人脸图像分块，对测试照片的每个图像块在训练集中寻找它的K个相似 的照片近邻块，然后利用局部线性嵌入的思想计算照片近邻块的线性组合权值，并利用对 应的K个画像近邻块和组合权值得到伪画像块并最终融合成伪画像。该方法存在的不足之 处是，固定的近邻个数导致合成图像的模糊效果。
[0005] X.Gao等人在文献"X.Gao，N.Wang,D.Tao，et al .Face Sketch-Photo Synthesis and Retrieval using Spares Representation. IEEE Transactions on Circuits Systems for Video Technology，2012,22(8): 1213-1226." 中提出了一种基于稀疏表不的 人脸画像合成方法。该方法首先采用已有的画像合成方法生成合成画像的初始估计，然后 再利用稀疏表示的方法合成出合成画像的细节信息，最后将初始估计和细节信息进行叠加 得到最后的合成画像。该方法的缺陷是:合成画像的质量绝大部分依赖于初始画像合成方 法，初始画像的合成与高频信息的合成不在同一框架下进行。
[0006] X.Wang等人在文献"X.Wang and X.Tang.Face Photo-Sketch Synthesis and Recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence.31 (11) :1955-1967,2009"中提出了一种基于马尔可夫网络模型的方法，通过将训练集和测试 集中的人脸图像划分成大小相同、互相重叠的局部块，利用马尔可夫网络模型建立人脸照 片和人脸画像之间的关系模型，通过对模型求解实现人脸画像生成。该方法存在的不足之 处是，由于每个待合成照片块最终只选择一个训练画像块进行画像合成，导致块效应严重 以及合成不出训练画像块集合中不存在的画像块。
【发明内容】
[0007] 本发明的目的在于针对上述现有方法的不足，提出一种基于子空间岭回归的人脸 画像生成方法，以提高生成的伪画像的质量，并大幅度提升画像生成的速度。
[0008] 实现本发明目的的技术方案包括如下步骤：
[0009] (1)从照片-画像对集中取出Μ张照片组成训练照片样本集TP，并取出与训练照片 样本集^中的照片一一对应的Μ张画像组成训练画像样本集T s，将剩余照片-画像对组成测 试样本集，从测试样本集中选取一张测试照片L，2 < Μ < U-1，U为照片-画像对集中的照片-画像对个数；
[0010] (2)将所有图像划分成相同大小及相同重叠程度的图像块，每张图像划分为N块， 并组成块集合：
[0011] (2a)将测试照片L划分成相同大小及相同重叠程度的图像块并组成块集合：
[0012] p={p、…，pJ，."，pN};
[0013] 其中，P表示测试照片块集合，pi表示测试照片中的第j个照片块，jel，…，N，N;
[0014] (2b)将训练照片样本集TP中的Μ张照片划分成相同大小及相同重叠程度的图像块 并组成块集合：
[0015]
[0016] 其中，R表示训练照片样本块集合，表示第i张照片中的第j个照片块，iel，…， M，jel，…，N;
[0017] (2c)将训练画像样本集Ts中的Μ张画像划分成相同大小及相同重叠程度的图像块 并组成块集合：
[0018]
[0019] 其中，Q表示训练画像样本块集合，(6/表示第i张画像中的第j个画像块，i e 1，…， M，jel，…，N;
[0020] (3)将训练照片样本块集合R与对应的画像样本块集合Q划分为多个子集：
[0021] 办=他，…，Rk，...，Rc}
[0022] Qc={Qi,-",Qk,···,0〇}
[0023] 其中，Rc表示所有训练照片样本块子集组成的集合，Rk表示每一个训练照片样本块 子集，QC表示所有训练画像样本块子集组成的集合，Qk表示每一个训练画像样本块子集，k e 1，…，C，c为子集总个数；
[0024] (4)根据每一个训练照片样本块子集Rk与对应的训练画像样本块子集Qk，按照下式 求解出映射每一对子集之间关系的系数矩阵wk，合并得到所有子集系数矩阵集合Wc = {wi,··· ,Wk,-"Wc}：
[0025] % = + 0.5/)-1
[0026] 其中，wk表示第k对训练照片-画像样本块子集之间的系数矩阵，if表示照片样本 块子集矩阵的转置矩阵，I表示单位矩阵；
[0027] (5)将测试照片块集合P中的测试照片块划分到不同的训练照片-画像样本块子集 对中：
[0028] pc={Pl，."，pk，."，pc};
[0029] 其中，Pc表示所有测试照片样本块子集组成的集合，Pk表示每一个测试照片样本块 子集；
[0030] (6)根据每一个测试照片样本块子集Pk以及其所在子集对应的系数矩阵w k，按照下 式求解出合成画像块子集Sk:
[0031] Sk=wkPk；
[0032] (7)将所有合成画像块子集Sk合并，得到合成画像块集合：
[0033] S={Sv，Sk，~，Sc};
[0034] 其中，Sk表示合成画像块集合中的第k个子集，kel，…，c，c为子集总个数；
[0035] (8)将合成画像块集合S中的N个合成画像块进行组合，得到与测试照片L对应的合 成画像。
[0036] 本发明由于采用了分而治之的策略将照片-画像块分为若干子集，在不同子集内 使用简单公式映射照片-画像块之间的线性关系并求得系数矩阵，因而能在生成高质量伪 画像的同时大幅提升生成速度。
[0037] 以下面结合附图，对本发明实现的步骤作进一步的详细描述。
【附图说明】
[0038]图1为本发明的实现流程图；
[0039]图2为本发明与现有的两种方法在CUHK student数据库上生成的伪画像的对比结 果图。
【具体实施方式】
[0040]参照图1，本发明实现的步骤如下：
[0041 ]步骤1，划分训练画像样本集、训练照片样本集和测试样本集。
[0042] 从照片-画像对集中取出Μ张照片组成训练照片样本集TP，并取出与训练照片样本 集ΤΡ*的照片一一对应的Μ张画像组成训练画像样本集T s，将剩余照片-画像对组成测试样 本集，从测试样本集中选取一张测试照片L，2 < M < U-1，U为照片-画像对集中的照片-画像 对个数。
[0043] 步骤2,对训练画像样本集中的画像、训练照片样本集中的照片和测试照片进行图 像块划分。
[0044] (2a)将测试照片L划分成相同大小及相同重叠程度的图像块并组成块集合：
[0045] Ρ={ρ1,···,ρ\···,ρΝ}；
[0046] 其中，Ρ表示测试照片块集合，f表示测试照片中的第j个照片块，jel，…，Ν;
[0047] (2b)将训练照片样本集TP中的Μ张照片划分成相同大小及相同重叠程度的图像块 并组成块集合：
[0048]
[0049] 其中，R表示训练照片样本块集合，表示第i张照片中的第j个照片块，iel，…， M，jel，…，N;
[0050] (2c)将训练画像样本集Ts中的Μ张画像划分成相同大小及相同重叠程度的图像块 并组成块集合：
[0051]
[0052] 其中，Q表示训练画像样本块集合，表示第i张画像中的第j个画像块，iel，…， M，jEl，."，N〇
[0053] 步骤3,将训练照片样本块集合与训练画像样本块集合划分为不同子集。
[0054] (3a)将训练照片样本块集合R根据照片样本块所在照片中区域不同划分到Rf、Rh两 个子集内：
[0055]
[0056]
[0057] 其中，Rf表示位于面部区域的训练照片样本块组成的块集合，r/表示第i张照片中 面部区域的第f个照片块，iel，…，M，fel，…，F，F为每张照片面部区域照片块的总个数；
[0058] Rh表示位于头发区域的训练照片样本块组成的块集合，rf表示第i张照片中头发 区域的第h个照片块，iel，…，M，hel，…，H，H为每张照片头发区域照片块的总个数；
[0059] (3b)使用已有的K均值聚类算法将头发区域训练照片样本块集合划分到不同子 集：
[0060]
[0061 ]其中，表示所有头发区域训练照片样本块子集组成的集合，表示每一个头 发区域训练照片样本块子集，khei，…，Ch，Ch为头发区域训练照片样本块子集总个数；
[0062] (3c)根据位置不同将面部区域训练照片样本块划分到不同子集：
[0063]
[0064] 其中，:表示所有面部区域训练照片样本块子集组成的集合，kfel，…，Cf，Cf* 面部区域训练照片样本块子集总个数，i e 1，…，Μ;
[0065] (3d)将所有头发区域训练照片样本块子集与面部区域训练照片样本块子集合并 得到总的训练照片样本块子集集合：
[0066] Rc={Ri,---,Rk,---,Rc};
[0067] 其中，Rc表示所有训练照片样本块子集组成的集合，Rk表示每一个训练照片样本块 子集，k e 1，…，c，c为子集总个数；
[0068] (3e)将与训练照片样本块--对应的训练画像样本块划分到相同的子集，并构成 总的训练画像样本块子集集合：
[0069] Qc= {Qi, ·' ,Q