一种基于图像检索和特征权重学习的人脸识别方法
【专利摘要】一种基于图像检索和特征权重学习的人脸识别方法，步骤如下：生成训练样本图像集A和样本图像特征集F；检索得到匹配人脸图像子集Dt；计算并筛选得到相似人脸图像子集Ds；在线特征点权重学习；在线特征对权重学习；人脸识别。本发明系统实现简单，分布性能好，适用于数据量较大的人脸识别应用场合，能够达到人脸识别的快速、高效、精准的要求，能很好的应用于实际人脸识别需求中。
【专利说明】-种基于图像检索和特征权重学习的人脸识别方法
【技术领域】
[0001] 本发明涉及计算机视觉【技术领域】，具体为一种基于图像检索和特征权重学习的人 脸识别方法。
【背景技术】
[0002] 由于其在公共安全、人机交互、财产安全等领域的广泛应用，人脸识别已经成为了 一个非常活跃的研究领域。以往的研究主要限制在实验室拍摄环境。但是，当我们需要处 理真实场景下的人脸识别问题时，这些针对于实验室环境的人脸识别算法效果随着光照、 表情、遮挡等的变化产生了极大的下降。相同的人脸由于拍摄条件的不同可能产生很大的 差异性，这无疑给真实场景下的人脸识别问题带来了很大的难度。同时，由于现代社交网络 的发展，图片数据大量增加，一些常用的搜索手段在识别的准确性、系统的泛化能力以及识 别的速度上都存在着不足。
【发明内容】
[0003] 针对上述问题，本发明的目的在于提供一种能够快速准确识别出人脸基于图像检 索和特征权重学习的人脸识别方法。
[0004] 为解决上述的技术问题，本发明采用以下技术方案：一种基于图像检索和特征权 重学习的人脸识别方法，包括：
[0005] 步骤一：生成训练样本图像集A和样本图像特征集F :
[0006] S11收集人脸图像生成训练样本图像集A ;
[0007] S12使用SDM算法和仿射变换将人脸图像旋转到水平位置并且做尺度归一化；
[0008] S13提取训练样本图像集A中每一张人脸图像的SIFT特征f/，以及每个SIFT特 征f/对应的几何坐标Zi，得到一个MX 130的特征集，其中Μ为每张人脸图像的特征点个 数；每个特征点Α由一个128维的SIFT特征f/加上2维相对应的几何坐标 Zi组成，对 SIFT特征f/做12范数归一化，根据人脸尺寸对几何坐标Zi做^范数归一化；单个特征点 表示如下：
[0009] fj = [f/ , a zj, 0 ^ a :? 1,
[0010] =
[0011] 其中，参数α是用来调节位置信息在SIFT特征匹配中的权重，x，y为特征点在人 脸图像上的横纵坐标；
[0012] S14将所有人脸图像的特征点的集合作为样本图像特征集F。
[0013] 步骤二：检索得到匹配人脸图像子集Dt :
[0014] S21对样本图像特征集F采用K-means方法进行聚类，生成K个聚类；
[0015] S22用步骤一中S13所述的方法提取待识别人脸图像Q的特征集，得到待识别人脸 图像特征集Fq;
[0016] S23用欧几里得度量法，做最近邻查找，将待识别人脸图像特征集FQ中的每一个特 征点分配到K个聚类中与之最近的那些聚类中去；将包含待识别人脸图像特征集FQ中特征 点的那些聚类作为聚类集合KQ ;
[0017] S24将训练样本图像集A中所有包含有聚类集合&中任意一个特征点的人脸图像 提取出来，作为匹配人脸图像子集Dt。
[0018] 步骤三：计算并筛选得到相似人脸图像子集Ds :
[0019] S31计算K个聚类中每个聚类的逆文档频率idf (k):
[0020]
【权利要求】
1. 一种基于图像检索和特征权重学习的人脸识别方法，其特征在于，包括： 步骤一：生成训练样本图像集A和样本图像特征集F : S11收集人脸图像生成训练样本图像集A ; S12使用SDM算法和仿射变换将人脸图像旋转到水平位置并且做尺度归一化； S13提取训练样本图像集A中每一张人脸图像的SIFT特征f/，以及每个SIFT特征f/ 对应的几何坐标Zi，得到一个ΜX 130的特征集，其中Μ为每张人脸图像的特征点个数；每个 特征点fi由一个128维的SIFT特征f/加上2维相对应的几何坐标 Zi组成，对SIFT特征 f/做范数归一化，根据人脸尺寸对几何坐标Zi做h范数归一化；单个特征点表示如下：
其中，参数α是用来调节位置信息在SIFT特征匹配中的权重，x，y为特征点在人脸图 像上的横纵坐标； S14将所有人脸图像的特征点的集合作为样本图像特征集F ; 步骤二：检索得到匹配人脸图像子集Dt : S21对样本图像特征集F采用K-means方法进行聚类，生成K个聚类； S22用步骤一中S13所述的方法提取待识别人脸图像Q的特征集，得到待识别人脸图像 特征集FQ ; S23用欧几里得度量法，做最近邻查找，将待识别人脸图像特征集FQ中的每一个特征点 分配到K个聚类中与之最近的那些聚类中去；将包含待识别人脸图像特征集匕中特征点的 那些聚类作为聚类集合KQ; S24将训练样本图像集A中所有包含有聚类集合&中任意一个特征点的人脸图像提取 出来，作为匹配人脸图像子集Dt ; 步骤三：计算并筛选得到相似人脸图像子集Ds : S31计算K个聚类中每个聚类的逆文档频率idf(k):
其中，k表示聚类的标号，N表示训练样本图像集A中的人脸图像总数，n(k)表示训练 样本图像集A中包含有第k个聚类中任意一个特征点的人脸图像数量； S32计算待识别人脸图像Q和匹配人脸图像子集Dt中每个匹配人脸图像dt的相似度 S(Q，dt)，
其中，tfQ(k)表示待识别人脸图像特征集FQ中被分配到第k个聚类的特征点的数量； ?/4(幻表示某个匹配人脸图像dt所有特征点中存在于第k个聚类的特征点的个数A为匹 配人脸图像dt的特征点，gj表示待识别人脸图像Q的特征点，况，gj)表示两个特征点匹配， e(fi) =e(gj表示两个特征点属于相同的聚类；函数L(fi)和L(gp分别表示特征点心和 gj的类别信息，I |L(fi)-L(gj) I |〈 ε表示特征点在空间位置上具有连续性； S33对匹配人脸图像子集Dt中所有匹配人脸图像dt按照相似度S(Q，dt)降序排列，取 前R个人脸图像组成相似人脸图像子集Ds ; 步骤四：在线特征点权重学习： S41用步骤一中S13所述的方法提取相似人脸图像子集Ds特征点，生成相似人脸图像 特征集Fs，将特征集Fs中每个特征点对应的权重初始化为一个统一的数值; S42对特征集匕中的每一个特征点&作最近邻查找，找到&的最近邻特征点&，如果 fj和A的类别标签一致，那么A的权重增大，否则减小；如果某个特征点A被η个特征点查 找为最近邻特征点，则它的权重需被修改η次；将特征点&原始权重表示为ωΥΑ) = ω(ι， 则特征点fj经过η次修改后的权重ωη+1 (fp通过如下迭代公式实现：
S43对所有修改后的特征点权重作^范数归一化，得到带权重特征库； 步骤五：在线特征对权重学习： S51将带权重特征库中的特征点按权重值降序排列，取前2m个特征点，随机组合成m组 特征对P = {Pl，p2,. . . pm}，将每个特征对对应的权重初始化为一个统一的数值％ ; S52对m组特征对P = {pp p2,. . . pm}中的每一对特征对pu作最近邻查找，找到pu的最 近邻特征对Pv，如果Pv和Pu的类别标签一致，那么Pv的权重增大，否则减小；如果某个特征 对P v被η个特征对查找为最近邻特征对，则它的权重需被修改η次；将特征对pv原始权重 表示为w 1 (pv) = W(l，则特征点pv经过η次修改后的权重wn+1 (pv)通过如下迭代公式实现：
其中，λ是用来进一步调整特征对权重的参数； S53对所有修改后的特征对权重作^范数归一化，得到带权重特征对库； 步骤六：人脸识别： S61从带权重特征库中寻找待识别人脸图像Q的特征点&的最近邻特征点，将该最近 邻特征点的权重投给特征点&所属的类别，进而得到每个类别的特征点投票得分Ssingle ; S62对待识别人脸图像Q的所有特征点随机选择出特征对从带权重特征对库中寻 找特征对GT的最近邻特征对，并将该最邻近特征对的权重投给特征对GT所属的类别，得到 每个类别的特征对投票得分S p& ; S63将每个类别的特征点投票得分Ssingle和特征对投票得分S_分别相加，得到每个类 别的最终得分，将最终得分最高的那个类别标签赋予待识别人脸图像Q。
2. 根据权利要求1所述的一种基于图像检索和特征权重学习的人脸识别方法，其特征 在于，所述R等于匹配人脸图像子集Dt中人脸图像数量的十分之一。
3. 根据权利要求1或2所述的一种基于图像检索和特征权重学习的人脸识别方法其特 征在于，所述m等于相似人脸图像特征集Fs中特征点数量的十分之一。
【文档编号】G06K9/46GK104143088SQ201410360031
【公开日】2014年11月12日 申请日期:2014年7月25日 优先权日:2014年7月25日
【发明者】程洪, 王玉琢, 杨路 申请人:电子科技大学