基于图模型表示的人脸画像-照片识别方法
【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-照片识别方法，可用于 刑侦破案中犯罪嫌疑人的身份识别。
【背景技术】
[0002] 在刑侦破案过程中，犯罪嫌疑人的照片一般是很难获取的，此时根据目击证人或 受害人的描述绘制出的犯罪嫌疑人的画像是确定犯罪嫌疑人身份的重要线索。由于人脸 画像和照片在产生机制上的不同，画像和照片的纹理之间存在很大差异，将传统的人脸照 片-照片识别方法直接应用到人脸画像-照片识别当中取得的识别率很低，为警方破案带 来困难。人脸画像-照片识别技术是通过信号处理技术缩小画像和照片两种图像之间的差 异，提高人脸画像-照片识别的识别率，因此在图像处理领域受到广泛关注。
[0003] 目前，大量关于人脸画像-照片识别方法被提出，主要分为三类：基于合成的方 法、基于子空间投影的方法和基于特征的方法。
[0004] 一、基于合成的方法，是通过将画像合成为伪照片，然后利用传统的人脸照片-照 片识别方法在伪照片和照片之间进行识别。N. Wang等人在文献"N. Wang，D. Tao, X. Gao, X. Li,and J. Li.Transductive face sketch-photo synthesis. IEEE Transactions on Neural Networks and Learning System, 24 (9) : 1364-1376, 2013" 中提出了一种基于直推 式的人脸画像-照片合成方法，利用直推式学习的思想实现人脸画像-照片的合成，然后在 合成的伪照片和照片之间上进行人脸照片-照片识别。该方法存在的不足之处是，识别效 果主要取决于合成的伪照片的质量，由于在合成过程中会存在图像的变形和失真，导致识 别率低。
[0005] 二、基于子空间投影的方法，是通过将画像和照片同时投影到一个子空间上，然 后在这个子空间上对画像和照片进行比对，实现人脸画像-照片识别。A. Sharma等人 在文献"A. Sharma and D. Jacobs. Bypass synthesis:PLS for face recognition with pose,low-resolution and sketch. In Proc.IEEE Int. Conference on Computer Vision and Pattern Recognition, pp. 593-600, 2011"中提出了 一种基于偏最小二乘的人脸画 像-照片识别方法，通过利用偏最小二乘法将画像和照片投影到同一个线性子空间，然后 在这个线性子空间上进行人脸画像-照片识别。该方法存在的不足之处是，投影过程中通 常会存在信息的丢失，降低识别效果。
[0006] 三、基于特征的方法，首先利用特征分别对人脸画像和照片进行编码，然后通过计 算编码后的特征的距离关系来实现人脸画像-照片识别。A. Alex等人在文献"A. Alex，V. Asari, and A. Mathew. Local difference of Gaussian binary pattern:robust features for face sketch recognition. In Proc. IEEE Int. Conference on Systems, Man, and Cybernetics, pp. 1211-1216, 2013"中提出了一种基于高斯差分二值化特征的人脸画 像-照片识别方法，利用高斯差分二值化特征分别对人脸画像和照片进行编码，然后利用 编码结果进行人脸画像-照片识别。该方法存在的不足之处是，在利用特征进行编码时没 有利用人脸图像的空间结构信息，导致识别结果较差。
【发明内容】
[0007] 本发明的目的在于针对上述现有方法的不足，提出一种基于图模型表示的人脸画 像-照片识别方法，以通过使用人脸图像的空间结构信息，提高人脸画像-照片的识别率。
[0008] 实现本发明目的的技术方案包括如下步骤：
[0009] (1)从画像-照片对集中取出M张画像组成训练画像样本集，并取出与训练画像样 本集中的画像一一对应的M张照片组成训练照片样本集，将画像-照片对集中剩余的N对 画像-照片组成测试样本集；
[0010] (2)组成测试画像图模型表示集Ws和测试照片图模型表示集Wp:
[0011] 将测试样本集中的每张测试画像划分为相同大小及相互重叠的测试画像块，并将 每张测试画像分别与训练画像样本集联合学习，得到每张测试画像的图模型表示，组成测 试画像图模型表示集
：为 第i个测试画像图模型表示，为第b个测试画像块的图模型表示，i = 1，2，···，Ν，b = 1，2,…，B，B为测试画像块的总个数；
[0012] 将测试样本集中的每张测试照片划分为相同大小及相互重叠的测试照片块，并将 每张测试照片分别与训练照片样本集联合学习，得到每张测试照片的图模型表示，组成测 试照片图模型表示集
为第j个测试照片图模型表示，为第b个测试照片块的图模型表示，j = 1，2,…，N ;
[0013] (3)初始化统计参数u = 0 ;
[0014] (4)将第i个测试画像图模型表示Is与测试照片图模型表示集Wp中每个测 试照片图模型表示进行相似度计算，得到第i个测试画像图模型表示的相似度集T = IIm, Tli2,…，T1,,，…，T1J，其中T1,,为第i个测试画像图模型表示W 15与第j个测试照片图 模型表示》f的相似度；
[0015] (5)将相似度集T中的相似度从大到小排序，找出最大的相似度Tlih，如果h等于 i，则统计参数u增加1 ;
[0016] (6)重复步骤（4)_(5)，直至处理完测试画像图模型表示集Ws中的所有测试画像 图模型表示，再根据下式计算人脸画像-照片的识别率r :
[0017] r = u/N〇
[0018] 本发明由于采用图模型表示实现人脸画像-照片识别，并在计算图模型表示过程 中使用人脸图像的空间结构信息，克服了现有方法在识别过程中忽略人脸图像的空间结构 信息带来的识别效果较差的问题，提高了人脸画像-照片的识别率。
[0019] 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】
[0020] 图1为本发明基于图模型表示的人脸画像-照片识别流程图；
【具体实施方式】
[0021] 参照图1，本发明实现的步骤如下：
[0022] 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。
[0023] 从画像-照片对集中取出M张画像组成训练画像样本集，并取出与训练画像样本 集中的画像一一对应的M张照片组成训练照片样本集，将画像-照片对集中剩余的N对画 像-照片组成测试样本集。
[0024] 步骤2,组成测试画像图模型表示集Ws和测试照片图模型表示集WP。
[0025] (2a)将测试样本集中的每张测试画像划分为相同大小及相互重叠的测试画像块， 并将每张测试画像分别与训练画像样本集联合学习，得到每张测试画像的图模型表示，组 成测试画像图模型表示集W s:
[0026] 所述测试画像与训练画像样本集联合学习，是利用参考文献"H. Zhou，Z. Kuang, and K. Wong. Markov Weight Fields for Face Sketch Synthesis. In Proc. IEEE Int. Conference on Computer Vision, pp. 1091-1097, 2012" 所公开的方法进行，其步骤如 下：
[0027] (2al)将测试样本集中的第i张测试画像Sjlj分为相同大小及相互重叠的测试画 像块，将每个测试画像块的像素值作为特征向量，得到测试画像S 1的特征向量集f(S J = K(Slil)J(Sli2),…，HS1,b)，…，HS 1,B)}，其中 Slib 为第 b 个测试画像块，f (Slib)为第 b 个 测试画像块的特征向量，i = 1，2,…，N，b = 1，2,…，B，B为测试画像块的总个数，所述特 征向量包括像素值、尺度不变特征、梯度直方图特征和加速鲁棒特征等，本发明选用但不局 限于像素值作为特征向量；
[0028] (2a2)根据步骤（2al)中测试画像S1的划分结果，将训练画像样本集中的训练画 像分为相同大小及相互重叠的训练画像块，并将每个训练画像块的像素值作为特征向量；
[0029] (2a3)对第b个测试画像块Slib，从训练画像样本集中取出每个训练画像的相同 位置的训练画像块，得到共M个训练画像块组成待选择画像块集D lib，并将待选择画像块集 Dlib中所有训练画像块的特征向量组成待选择特征向量集F lib;将测试画像块S lib与第V个 相邻测试画像块的重叠区域记为^，将待选择画像块集Dlib在重叠区域巧内的像素值组 成重叠区域特征向量集06, V = 1，2,…，4 ;
[0030] (2a4)根据下式计算第b个测试画像块Slib的图模型表示:
[0031]
[0032] i表示第￥个 测试画像块Sliv的待选择画像块集D liV在重叠区域内的像素值，· τ表示对矩阵进行转 置操作；
[0033] (2a5)重复步骤（2a3)_(2a4)，直至得到B个测试画像块的图模型表示，组成测试 CN 105138951 A m ~P 4/5 页 画像图模型表矛
··
[0034] (2a6)重复步骤（2al)_(2a5)，直至得到N个测试画像图模型表示，组成测试画像 图模型表示集
[0035] (2b)将测试样本集中的每张测试照片划分为相同大小及相互重叠的测 试照片块，并将每张测试照片分别与训练照片样本集联合