一种人脸识别方法
【专利摘要】本发明公开了一种人脸识别方法，其能够大大提高识别率，对非高斯噪声具有鲁棒性。这种人脸识别方法，包括步骤：(1)获得稀疏重构图像Y'；(2)获取残差图像；(3)获取奇异点检测模板；(4)获取融合重构图像；(5)经过残差矩阵判断是否继续迭代；(6)重复步骤(1)至(5)k次，利用k次迭代去噪后的图像，稀疏重构后分类。
【专利说明】一种人脸识别方法
【技术领域】
[0001]本发明属于图像处理及模式识别的【技术领域】，具体地涉及一种人脸识别方法。
【背景技术】
[0002]人脸识别一直是模式识别、人工智能等领域的研究热点。在过去的几十年里，学者们提出了很多人脸识别方法，但是当遇到人脸图像带有奇异点噪声或戴眼镜等有部分面部遮挡情况时，许多算法的识别性能会有很大下降。因此去除图像中的噪声，恢复图像的被遮挡信息，提升图像质量是人脸识别中急需要解决的一个重要问题。
[0003]传统的图像去除噪声方法主要集中在空域或频域的局部分析，因此在去除噪声的同时，也损失了图像的部分有效信息，使去噪后的图像变得模糊。均值滤波、灰度变换等方法都是比较典型的空域去噪方法。中值滤波虽然可以有效的去除图像中的奇异点，比较适合给被椒盐噪声污染的图像去噪，但是对图像中的高斯噪声以及遮挡块却难以去除，同时由于其无法有效挖掘图像的结构信息，更容易丢失较多的细节和边缘信息。在频域去噪方法中，常常假设图像的有效信息存在于低频中，噪声存在高频中。而实际上图像的细节和边缘等信息含有高频成分，噪声也含有部分低频成分，即有效信息和噪声是存在重叠部分的，故基于频域特性的去噪方法是存在缺陷的。非局部均值法NL-means (Non Local means)是近年来比较流行的一种图像去噪方法，该方法充分挖掘了图像中所包含的非局部相似性信息，即图像中某些部位虽然在空间位置上是不相邻的，但却具有高度的相似性。通过利用图像中这种非局部相似性信息，使其在去掉噪声的同时能够有效的保留图像的一些细节结构信息，但该方法是基于高斯噪声模型的平滑化去噪方法，非高斯噪声会严重影响去噪的性倉泛。
[0004]事实上，图像去噪的主要目的是最大可能地将实际信号与噪声信号分离开，剔除噪声信号，保留真实信号，以达到还原真实图像目的。现实中噪声是随机分布的，如果人为要求它满足某种具体分布是不现实的，而噪声也难以完全去除，我们能够做的是，尽可能重构出与原始信号更接近信号。
[0005]稀疏信号表示理论是将一个信号近似表示为一组字典信号的稀疏线性组合，通过优化信号的重构误差，得到原始信号的基于字典的稀疏线性组合表示，基于这一理论的信号表示在信号的去噪、重构等方面非常有效。这类方法假设图像中的噪声是高斯噪声，并将图像中的有用信息作为图像的稀疏成分，将高斯噪声信息作为图像的残差，以此作为图像去噪处理的基础。Ma和John已经成功将稀疏表示去噪理论应用在人脸识别上，提出了基于稀疏表不的分类方法(Sparse Representat1n-based Classificat1n, SRC),该方法用图像的稀疏表示系数作为分类特征。SRC方法进行人脸分类识别时，如果待识别图像中有遮挡或奇异点等非高斯噪声时，那么噪声或遮挡区域将被作为图像的有用信息表示出来，因此得到的表示系数将会降低分类识别性能。
[0006]异于传统图像去除噪声方法，基于图像具有的稀疏性与冗余表达模型的去除噪声方法，将图像有用信息部分作为图像中的稀疏成分，而将图像中的噪声作为图像的残差，以此作为图像去除噪声处理的基础。Ma和John已经成功将稀疏表示去噪理论应用在人脸识别上，提出了基于稀疏表不的分类(Sparse Representat1n-based Classificat1n, SRC)。其主要理论为基于构建过完备字典，以人脸图像库中的人脸图像作为原子来构建过完备字典，计算被识别图像在构建的字典上的稀疏表示系数，根据系数中的非零项来判断待识别图像的身份，来进行分类。
[0007]现有人脸识别技术以基于稀疏表示理论为最流行，基于稀疏表示理论的人脸识别方法，为待识别图像进行分类时，用过完备字典中的原子来表示待测图像，若待识别图像中有噪声或遮挡，那么噪声或被遮挡区域也被部分表示了出来，错误得到的表示系数将会降低用于分类的识别率。
【发明内容】
[0008]本发明的技术解决问题是:克服现有技术的不足，提供一种人脸识别方法，其能够大大提高识别率，避免样本不充足、字典表达能力弱的缺点。
[0009]本发明的技术解决方案是:这种人脸识别方法，包括以下步骤:
[0010](I)获得稀疏重构图像Y’ ；
[0011](2)获取残差图像；
[0012](3)获取奇异点检测模板；
[0013](4)获取融合重构图像；
[0014](5)经过残差矩阵判断是否继续迭代，重复步骤(I)至(5)k次；
[0015](6)利用k次迭代去噪后的图像，获取稀疏系数，重构后分类。
[0016]本发明提出了一种基于迭代的稀疏表示方法来重构带有非高斯噪声的人脸图像。一次迭代过程包括基于阈值的噪声去除、噪声部分的稀疏重构和基于选择矩阵的图像融合三部分，噪声去除是通过阈值分析去除噪声，完整的保存图像的有用信息；噪声部分的稀疏重构则是对人脸图像噪声部分进行重构，用重构后的部分替代原图像的噪声部分；最后通过选择性矩阵选择去噪后的保留结构信息的原图像部分与稀疏表示重构的噪声部分，两者信息融合在一起既保证了图像非噪声部分的结构及信息完整性，又有效的去除了图像上的非高斯噪声。由于对于上述过程本文选择重复迭代方法，通过多次迭代使得重构图像有效去噪同时逐渐接近于原始真实图像。
【专利附图】
【附图说明】
[0017]图1示出了根据本发明的基于迭代的融合图像去噪模型；
[0018]图2是根据本发明的流程图。
【具体实施方式】
[0019]这种人脸识别方法，包括以下步骤:
[0020](I)获得稀疏重构图像Y’ ；
[0021](2)获取残差图像；
[0022](3)获取奇异点检测模板；
[0023](4)获取融合重构图像；
[0024](5)经过残差矩阵判断是否继续迭代，重复步骤(I)至(5)k次；
[0025](6)利用k次迭代去噪后的图像，获取稀疏系数，重构后分类。
[0026]本发明提出了一种基于迭代的稀疏表示方法来重构带有非高斯噪声的人脸图像。一次迭代过程包括基于阈值的噪声去除、噪声部分的稀疏重构和基于选择矩阵的图像融合三部分，噪声去除是通过阈值分析去除噪声，完整的保存图像的有用信息；噪声部分的稀疏重构则是对人脸图像噪声部分进行重构，用重构后的部分替代原图像的噪声部分；最后通过选择性矩阵选择去噪后的保留结构信息的原图像部分与稀疏表示重构的噪声部分，两者信息融合在一起既保证了图像非噪声部分的结构及信息完整性，又有效的去除了图像上的非高斯噪声。由于对于上述过程本文选择重复迭代方法，通过多次迭代使得重构图像有效去噪同时逐渐接近于原始真实图像。
[0027]优选地，步骤(I)包括以下分步骤:
[0028](1.1)输入测试图像Y，通过公式(5)求解稀疏表示系数:
[0029]min|a|o s.t.λ- = Da(5)
[0030]其中^ =G //?"是稀疏系数向量，y是待识别图像，D是训练字典，e是图像中存在的噪声；
[0031](1.2)按照公式(20)建立稀疏表示模型，α表示稀疏系数，λ是一个常系数
[0032]min|x-DafJ +%[(2Q)
[0033](1.3)用omp算法进行稀疏编码来获取稀疏表不系数α ；
[0034](1.4)根据稀疏表示系数α得到重构图像Y’，Y’ = D α。
[0035]优选地，步骤⑵通过公式(6)获取残差图像
[0036]R= |γ' -Y (6)
[0037]Y表示待去噪的有奇异点的图像，Y’为对Y采用公式(20)稀疏表示重构所得图像。
[0038]优选地，步骤(3)由公式(7)得到阈值Τ，然后通过公式⑶得到检测模板W
[0039]T = Otsu(R) (7)
[0040]其中Otsu (.)表示采用Otsu自动阈值技术对残差图像进行阈值求解
[0041]W = R<T (8)
[0042]其中，“〈”表示逻辑运算，W为由O和I元素组成的模板矩阵，I表示图像Y中对应的点检测为非奇异有用的信息点，O则表示对应的点检测为奇异坏点。
[0043]优选地，步骤(4)由公式(14)获取融合重构图像
[0044]Y = W?Y + JV? DxM 1 ；
[0045]其中炉为补模板，满足炉+『 = /，I为元素全为I的矩阵，f为融合重构图像。
[0046]优选地，根据阈值大小判断是否需要迭代，如果需要迭代利用公式(15)获取k次迭代后的融合图像
[0047]
【权利要求】
1.一种人脸识别方法，其特征在于:包括以下步骤: (1)获得稀疏重构图像Y’； (2)获取残差图像； (3)获取奇异点检测模板； (4)获取融合重构图像； (5)经过残差矩阵判断是否继续迭代，重复步骤(I)至(5)k次； (6)利用k次迭代去噪后的图像，获取稀疏系数，重构后分类。
2.根据权利要求1所述的人脸识别方法，其特征在于:步骤(I)包括以下分步骤: (1.D输入测试图像Y，通过公式(5)求解稀疏表示系数: mm||a|| s1.x = Da(5)
a丨丨"O 其中χ = [0.….Ο.λ.; ι.χ, 2.…?.0.….0f e //Γ是稀疏系数向量，y是待识别图像，D是训练字典，e是图像中存在的噪声； (1.2)按照公式(20)建立稀疏表示模型，α表示稀疏系数，λ是一个常系数 mJnIk-HlXH(20) (1.3)用omp算法进行稀疏编码来获取稀疏表示系数α ； (1.4)根据稀疏表示系数α得到重构图像Y’，Y’ = D α。
3.根据权利要求2所述的人脸识别方法，其特征在于:步骤(2)通过公式(6)获取残差图像 R = |υ' -υ| (6) Y表示待去噪的有奇异点的图像，Y’为对Y采用公式(20)稀疏表示重构所得图像。
4.根据权利要求3所述的人脸识别方法，其特征在于:步骤(3)由公式(7)得到阈值Τ，然后通过公式(8)得到检测模板W
T = Otsu (R) (7) 其中Otsu(.)表示采用Otsu自动阈值技术对残差图像进行阈值求解 W = R〈T (8) 其中，“〈”表示逻辑运算，W为由O和I元素组成的模板矩阵，I表示图像Y中对应的点检测为非奇异有用的信息点，O则表示对应的点检测为奇异坏点。
5.根据权利要求4所述的人脸识别方法，其特征在于:步骤(4)由公式(14)获取融合重构图像 V= lV?Vf IV? Dx(14) 其中承为补模板，满足旁+ F = /，I为元素全为I的矩阵，f为融合重构图像。
6.根据权利要求5所述的人脸识别方法，其特征在于:根据阈值大小判断是否需要迭代，如果需要迭代利用公式(15)获取k次迭代后的融合图像7(^)=1 YdJ)其他(15) 其中Y(i，j)表示待去噪的有奇异点的图像，尸(/,./)表示第k次迭代后的融合图像，Q为残差矩阵，Qk按照公式(16)获得 Qk(i,j) = \fk-\Uj)-Y(Uj)\( 16 )b
7.根据权利要求6所述的人脸识别方法，其特征在于:步骤(6)中按公式(17)建立基于迭代的稀疏表示模型， min Y-Da，.S1.Y = IV ΘΥ+ IV? Da"7 ) 其中，D是训练样本构成的字典，5表示稀疏系数，f表示k次迭代后去除噪声的融合重构图像，λ是一个常数；得到稀疏系数后，根据稀疏表示系数5得到重构图像Y1 , f' = Da ,再通过公式(18)计算残差 η(Ρ) = ψι-D( 18 ) 通过公式(19)为测试图像分类 identity (Y) - arg min: r {Yk)(19)。
【文档编号】G06K9/46GK104200194SQ201410382255
【公开日】2014年12月10日 申请日期:2014年8月6日 优先权日:2014年8月6日
【发明者】孙艳丰, 赵璐, 胡永利 申请人:北京工业大学