一种基于区域稀疏的单张训练样本人脸识别方法
【专利摘要】本发明公开一种基于区域稀疏表示的单张训练样本人脸识别方法，对训练样本采用重叠分块的方式进行分块，获得多个位置的人脸块；对于每一个位置相应的所有人脸块，引入外部的人脸数据，使用SVDL算法学习该位置的类间变化字典，且学习该位置的图像表示字典；对于待验证的人脸图像，将这些图像进行分块，使用每一个分块对应的位置字典求该分块的稀疏编码向量；利用稀疏编码向量求分块的权重；根据权重与编码向量，计算基于权重的最小残差，进行分类得到识别结果。本发明能够有效地获取人脸图像中的鉴别性特征，在单张训练样本情况下的人脸识别，对人脸的各种变化如：遮挡、表情、光照变化仍然保持很好的鲁棒性。
【专利说明】
一种基于区域稀疏的单张训练样本人脸识别方法
技术领域
[0001] 本发明涉及计算机视觉领域，更具体地，涉及一种基于稀疏表示的人脸识别方法。
【背景技术】
[0002] 科技的发展使得摄像设备得到了普及，数量巨大的人脸图像数据也随之产生。同 时，许多领域都需要应用人脸识别技术，如:各种会场入口、海关过境通道、公路卡口、银行 大厅入口等。在这些应用中，可能只能获得单张训练样本，基于单张训练样本的人脸识别技 术。几乎所有的人脸识别的应用都是基于多训练样本的，但在一些特殊的场合，比如法律实 施、护照验证、身份证验证等等，每类(人）只能得到一幅图像，当只能用这些数目有限的图 像去训练人脸识别系统时，这些人脸识别技术和系统就无所适从了，也就不能应用了。因此 解决了单样本人脸识别问题，就可以大大拓宽人脸识别的应用范围，使其更广泛地为人类 服务。
[0003] 由于人脸识别有很大的潜在价值，所以此课题作为一个研究热点已经持续了至少 30年时间，很多种方法都被提出，例如:何晓飞提出的局部保持投影算法，LPP在降维的同时 能保留图像空间的局部结构，其本质是对LE的线性逼近。在LPP算法基础上，Cai等提出正交 Laplacianf ace方法，Yu等提出利用样本类标信息的基于Fisher准则的鉴别局部保持投影， Yan等提出基于局部邻域关系的间隔Fisher分析(Marginal Fisher Analysis，MFA) ,Zhang 等提出人脸识别的最近子流形方法，Wu等提出基于测地距离和相关主元分析相结合的人脸 识别算法，Yang等提出一种局部最小化、全局最大化的无监督鉴别投影方法。
[0004] 基于稀疏表示法的主要思想是:首先，对训练样本的人脸图像提取特征构成一个 字典，然后对待分类的人脸图像提取同样的特征;接下来计算待分类的图像在字典中的稀 疏编码表示，最后计算最小残差进行分类。，John Wrigh等人借助于稀疏表示和压缩感知的 理论框架，提出一种具有鲁棒性的稀疏表示分类的人像算法。d ' AsPremont等利用半定归划 的方法提出了直接的稀疏主成分学习。
[0005] Moghaddam等提出利用矩阵谱边界的思想进行稀疏子空间学习并得到一个一般的 算法框架，即利用贪婪算法进行稀疏主成分学习与稀疏线性鉴别分析。Qiao等提出无监督 的稀疏保持投影人脸识别方法，该方法旨在保持数据的稀疏重构关系，得到的投影具有旋 转、尺度和平移不变性，并且包含了本质的鉴别信息，后来，则通过利用类内与类间散度矩 阵构造新的优化准则进行稀疏回归，把LDA推广到了稀疏线性鉴别分析(SLDA)，该方法利用 稀疏表示理论构造描述数据的邻接关系的谱图，以此来模拟数据的局部结构该方法利用稀 疏表示理论构造描述数据的邻接关系的谱图，以此来模拟数据的局部结构。
[0006] 上述方法大多训练样本的人脸识别中取得了较好的效果，但在单张训练样本的情 况下效果不理想，对于只能获取单张训练样本的场合无法应用这些方法。
【发明内容】
[0007] 为了克服上述现有技术的不足，本发明提供了一种基于区域稀疏表示的人脸识别 方法。该方法将待分类的人脸图像作为输入，进行多区域的特征提取和识别，最后输出人脸 的分类结果。
[0008] 为了达到上述目的，本发明采用的技术方案是：
[0009] -种基于区域稀疏表示的单张训练样本人脸识别方法，包括：
[0010]图像训练：
[0011] (1)基于训练样本人脸图像，采用重叠的方式进行分块，每一幅图像相同位置的分 块构成该位置的子集；
[0012] (2)对于每一个位置的图像子集，训练该位置的图像表示字典，采集与训练图像不 相关的图像作为外部数据，对这些图像做同样的分块处理，将这些互联网上的图像的每一 个位置的分块结合训练样本该位置的分块利用SVDL算法训练外部字典，并结合训练样本的 图像表示字典与外部字典；
[0013]图像识别：
[0014] (3)对于待分类的人脸图像，先进行重叠方式的分块，然后使用每一个分块对应的 位置字典求该分块的稀疏编码向量；
[0015] (4)利用每一个分块的稀疏编码向量求该分块的权重；
[0016] (5)根据每一个分块的权重与编码向量，计算基于权重的最小残差进行分类得到 正确的识别结果。
[0017] 优选的，所述步骤(1)中，对训练样本人脸图像A采用重叠的方式分块，每一个位置 的人脸块构建该位置的人脸子集，则获得多个位置对应的图像子集。
[0018] 优选的，所述步骤(2)中，对于每一个位置对应的图像子集，即人脸块集合，构成一 个图像表示字典六1，虑到原始图像带有丰富的鉴别性特征，向量化图像块子集构建图像表 示字典，同时采集与训练图像不相关的图像，对这些图像做同样的分块处理，将这些互联网 上的图像的每一个位置的分块结合训练样本该位置的分块利用SVDL算法学习外部字典D 1, 弥补在单张训练样本情况下的信息不足。
[0019] 优选的，所述步骤(3)中，对于待分类的人脸图像，先对图像采用与训练样本相同 的方式分块，然后对于每一个分块，使用稀疏表示法求出稀疏编码向量，计算方式如下：
[0020]
[0021] κ ,，Λ - ^. . .，_>，Λ11 Aia; Λ?α」，A表示测试人脸的第i个分块在图像表示 字典与外部字典上的稀疏编码向量，Xia表示第i个分块在图像表示字典上的编码向量，Xid 表示第i个分块在图像在外部字典上的稀疏编码向量，X表示X 1的汇总集合，B表示将人脸分 成的总块数，yi表示测试人脸的第i个分块的向量化特征,A 1是第i个分块对应位置的图像表 示字典，D1是第i个分块对应位置的外部字典，λ是一个参数，用于防止过拟合，平衡稀疏性， 下标F表示要计算F范数。
[0022]优选的，所述步骤(4)中，对每一个人脸分块，获得该人脸分块的稀疏编码向量后， 计算该人脸分块的权重，具体过程如下：
[0023]
[0024] 其中，Η'/表示第i个分块对于的第j个训练样本的权重，4表示第j个训练样本在编 码向量Xia上的元素值。
[0025] 优选的，所述步骤(5)中，结合每一个分块的权重与编码向量，计算基于权重的最 小残差，进行分类计算，得到正确的分类结果，具体过程如下：
[0026]
[0027] 兵甲，IDENTITY (y)衣不测试图傢y仕训珎图傢甲所属的身份，岑表示第i个分块对 应位置的图像表示字典的第j列。
[0028] 本发明相对于现有技术具有如下的优点及效果：
[0029] 1、本发明提出了一种新的基于区域稀疏表示的单张训练样本人脸识别方法，通过 引入外部数据学习一个类间变化字典，解决单张训练样本情况下难以预测待分类的图像的 变化问题。
[0030] 2、本发明采用重叠的分块字典表示方式，充分利用人脸图像的鉴别性信息。
【附图说明】
[0031] 图1为本发明的总体流程图。
[0032] 图2为本方法在Extended YaleB人脸库上的识别率示意图，其中横坐标表示每个 类的训练样本的数量，纵坐标表示识别率。
[0033]图3为本方法在AR库Sessionl上使用单张训练样本的识别率示意图，3(a)图和3 (b)图分别使用不同的外部数据，其中横坐标表示使用PCA算法提取不同维数的特征，纵坐 标表示识别率。
[0034]图4为本方法在AR库SeSSion2上使用单张训练样本的识别率示意图，4(a)图和4 (b)图分别使用不同的外部数据，其中横坐标表示使用PCA算法提取不同维数的特征，纵坐 标表示识别率。
【具体实施方式】
[0035]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不 用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼 此之间未构成冲突就可以相互组合。
[0036] 附图给出了本发明的操作过程，如图所示，一种基于区域稀疏表示的单张训练样 本人脸识别方法，包括以下步骤：
[0037] (1)对于参考图像，采用重叠的方式进行分块，每一幅图像相同位置的分块构成该 位置的子集；
[0038] (2)对于每一个位置的子图像集，训练该位置的图像表示字典和利用外部数据使 用SVDL算法训练类间变化字典，并结合这两个位置的字典；
[0039] (3)对于待分类的人脸图像，先进行重叠方式的分块，然后使用每一个分块对应的 位置字典求该分块的稀疏编码向量；
[0040] (4)利用每一个分块的稀疏编码向量求该分块的权重；
[0041] (5)根据每一个分块的权重与编码向量，计算基于权重的最小残差进行分类，得到 正确的识别结果。
[0042] 步骤（1)中的具体过程如下:对训练样本人脸图像A采用重叠的方式分块，每一个 位置的人脸块构成该位置的人脸集，则获得多个位置对应的子集。
[0043] 步骤(2)中的具体过程如下对于每一个位置对应的人脸块集合，构成一个图像表 示字典A1，考虑到原始图像带有丰富的鉴别性特征，直接向量化图像块构成表示字典，同时 提取外部数据使用SVDL算法学习类间变化字典0 1，弥补在单张训练样本情况下的信息不 足。
[0044] 步骤(3)中的具体过程如下:对于待分类的人脸图像，先对图像采用的训练样本相 同的方式分块，然后对于每一个分块，使用稀疏表示法求出稀疏编码向量，计算方式如下：
[0045]
[0046] 其中，X={xi，X2, · · ·，xb}，Xi=[Xia;Xid]〇
[0047] 步骤(4)中的具体过程如下:结合每一个分块的权重与编码向量，计算基于权重的 最小残差进行分类计算，具体过程如下：
[0048]
[0049]最后得到正确的识别结果。
[0050]显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对 本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本 发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求 的保护范围之内。
【主权项】
1. 一种基于区域稀疏表示的单张训练样本人脸识别方法，其特征在于，包括： 图像训练： (1) 基于训练样本人脸图像，采用重叠的方式进行分块，每一幅图像相同位置的分块构 成该位置的子集； (2) 对于每一个位置的图像子集，训练该位置的图像表示字典，采集与训练图像不相关 的图像作为外部数据，对这些图像做同样的分块处理，将这些互联网上的图像的每一个位 置的分块结合训练样本该位置的分块利用SVDL算法训练外部字典，并结合训练样本的图像 表示字典与外部字典； 图像识别： (3) 对于待分类的人脸图像，先进行重叠方式的分块，然后使用每一个分块对应的位置 字典求该分块的稀疏编码向量； (4) 利用每一个分块的稀疏编码向量求该分块的权重； (5) 根据每一个分块的权重与编码向量，计算基于权重的最小残差进行分类得到正确 的识别结果。2. 根据权利要求1所述的基于区域稀疏表示的单张训练样本人脸识别方法，其特征在 于，所述步骤（1)中，对训练样本人脸图像采用重叠的方式分块，每一个位置的人脸块构建 该位置的人脸子集，则获得多个位置对应的图像子集。3. 根据权利要求1所述的基于区域稀疏表示的单张训练样本人脸识别方法，其特征在 于，所述步骤(2)中，对于每一个位置对应的图像子集，即人脸块集合，构成一个图像表示字 典，向量化图像块子集构建图像表示字典，同时采集与训练图像不相关的图像，对这些图像 做同样的分块处理，将这些互联网上的图像的每一个位置的分块结合训练样本该位置的分 块利用SVDL算法学习外部字典。4. 根据权利要求1所述的基于区域稀疏表示的单张训练样本人脸识别方法，其特征在 于，所述步骤(3)中，对于待分类的人脸图像，先对图像采用与训练样本相同的方式分块，然 后对于每一个分块，使用稀疏表示法求出稀疏编码向量，计算方式如下：其中，X= {xi，X2, . . .，Xb}，Xi= [Xia;Xid]，Xi表示测试人脸的第i个分块在图像表示字典 与外部字典上的稀疏编码向量，Xia表不第i个分块在图像表不字典上的编码向量，Xid表不 第i个分块在图像在外部字典上的稀疏编码向量，X表示 Xl的汇总集合，B表示将人脸分成的 总块数，yl表示测试人脸的第i个分块的向量化特征，仏是第i个分块对应位置的图像表示字 典，Di是第i个分块对应位置的外部字典，λ是一个参数，用于防止过拟合，平衡稀疏性，下标 F表示要计算F范数。5. 根据权利要求4所述的基于区域稀疏表示的单张训练样本人脸识别方法，其特征在 于，所述步骤(4)中，对每一个人脸分块，获得该人脸分块的稀疏编码向量后，计算该人脸分 块的权重，具体过程如下：其中，< 表示第i个分块对于的第j个训练样本的权重，4表示第j个训练样本在编码向 量Xia上的元素值。6.根据权利要求5所述的基于区域稀疏表示的单张训练样本人脸识别方法，其特征在 于，所述步骤(5)中，结合每一个分块的权重与编码向量，计算基于权重的最小残差，进行分 类计算，得到正确的分类结果，具体过程如下：其中，IDENTITY(y)表示测试图像y在训练图像中所属的身份，次表示第i个分块对应位 置的图像表示字典的第j列。
【文档编号】G06K9/00GK106056074SQ201610369606
【公开日】2016年10月26日
【申请日】2016年5月27日
【发明人】胡海峰, 顾建权, 李昊曦, 杨梁
【申请人】广东顺德中山大学卡内基梅隆大学国际联合研究院