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
，其中
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 ;
[0036] 本步骤的具体实施参考步骤（2a)进行。
[0037] 步骤3,初始化统计参数u = 0。
[0038] 步骤4,计算第i个测试画像图模型表示Is的相似度集。
[0039] 计算第i个测试画像图模型表示Is的相似度集可采用基于欧氏距离测度的方法 和基于余弦距离的方法等，本发明采用但不局限于如下方法：
[0040] (4a)对测试画像图模型表示
和测试照片图模型表 示
，根据下式计算第b个测试画像块的图模型表示和第 b个测试照片块的图模型表示啲相似度tb:
[0041]
[0042] 其中表示图模型表示的第z维元素值，(z)表示图模型表示的 第Z维元素值，nz为控制参数，当元素值1^(4 .和元素值1^>(4均大于0. 0001时比取1， 否则\取0, b = 1，2,…，B，B为测试画像块的总个数；
[0043] (4b)重复步骤（4a)，直至得到B个相似度，根据下式计算测试画像图模型表示W， 和测试照片图模型表示的相似度Tli
[0044]
[0045] (4c)重复步骤（4a)-(4b)，直至处理完测试照片图模型表示集Wp中所有测试照片 图模型表示，得到第i个测试画像图模型表示的相似度集T = IIm, 1\2,…，T11 ,，…，T1J。
[0046] 步骤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。
[0047] 步骤6,计算人脸画像-照片识别率。
[0048] 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，再根据下式计算出人脸画像-照片的识别率r :
[0049] r = u/N。
[0050] 本发明的效果可以通过以下仿真实验做进一步的说明。
[0051] 1.仿真条件
[0052] 本发明是在中央处理器为 Intel(R)Core i3-530 2. 93GHZ、内存 4G、WIND0WS 7 操 作系统上，运用MATLAB软件进行的仿真。
[0053] 实验中所对比的方法包括如下2种：
[0054] 一是基于直推式的方法，实验中记为TFSPS ;参考文献为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 ；
[0055] 二是基于高斯差分二值化特征的方法，实验中记为LDoGBP ;参考文献为 A. Alex, V. Asarij 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. 1211-1216,2013〇
[0056] 实验中使用的数据库为香港中文大学公开的CUHK Face Sketch FERET Database 画像数据库。
[0057] 2.仿真内容
[0058] 根据本发明【具体实施方式】所述，计算人脸画像-照片识别率，并与TFSPS方法和 LDoGBP方法的识别率进行比较，结果如表1所示。
[0059] 表1人脸画像-照片识别率
[0060]
[0061] 从表1可见，本发明的识别率高于两种对比方法，说明本发明方法采用图模型表 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， 可以取得较好的识别效果，验证了本发明的先进性。
【主权项】
1. 一种基于图模型表示的人脸画像-照片识别方法，包括如下步骤： (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； (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W P: 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 画像图模型表示集护=丨忙，时，其中?f= ?,,…，4,…，}为 第i个测试画像图模型表示，>4为第b个测试画像块的图模型表示，i = 1，2,…，N，b = 1，2,…，B，B为测试画像块的总个数； 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 片图模型表示集旷= {<,畔,……，其中，卜{<，<2,为第j 个测试照片图模型表示，1<；?为第b个测试照片块的图模型表示，j = 1，2,…，N ; (3) 初始化统计参数u = O ; (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,… ，I，…，IU，其中T1,,为第i个测试画像图模型表示Is与第j个测试照片图模型表示K 的相似度； (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 ; (6) 重复步骤⑷-(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 : r = u/N〇2. 根据权利要求1中基于图模型表示的人脸画像-照片识别方法，其中所述步骤（2) 所述中的测试画像与训练画像样本集联合学习，按如下步骤进行： (2a)将测试样本集中的第i张测试画像S1划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S1的特征向量集f (S1)= K(Slil)J(Sli2),…，f (Slib),…，f (S1,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，b = 1，2,…，B，B为测试画像块的总个数； (2b)根据步骤（2a)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； (2c)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Dlib，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Slib与第V个相邻测 试画像块的重叠区域记为在〔6，将待选择画像块集Dlib在重叠区域内的像素值组成重叠 区域特征向量集V = 1，2，…，4 ; (2d)根据下式计算第b个测试画像块Slib的图模型表示Vtf6i，表示第V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，? T表示对矩阵进行转置操 作； (2e)重复步骤（2c)-(2d)，直至得到B个测试画像块的图模型表示，组成测试画像图模 型表示 if =?,1?!?,3.根据权利要求1中基于图模型表示的人脸画像-照片识别方法，其中步骤（4)所述 的将第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，按如下步骤进行： (3a)对测试画像图模型表示忙=卜K2…,??和测试照片图模型表示 广=卜^，<2,，根据下式计算第b个测试画像块的图模型表示〇第b 个测试照片块的图模型表示的相似度t b:其中表示图模型表示的第z维元素值，1匕,表示图模型表示￥^的第z维 元素值，nz为控制参数，当元素值 和元素值<fr(z)均大于〇. OOOi时~取1，否则n z 取0, b = 1，2,…，B，B为测试画像块的总个数； (3b)重复步骤（3a)，直至得到B个相似度，根据下式计算测试画像图模型表示Is和测 试照片图模型表示的相似度Tli(3c)重复步骤（3a)-(3b)，直至处理完测试照片图模型表示集Wp中所有测试照片图模 型表示，得到第i个测试画像图模型表示的相似度集T = IIm, 1\2,…，Tli ,，…，T1J。
【专利摘要】本发明公开了一种基于图模型表示的人脸画像-照片识别方法，主要解决现有方法在进行人脸画像-照片识别时忽略人脸图像空间结构信息的问题。其实现步骤是：(1)划分训练画像样本集、训练照片样本集和测试样本集；(2)根据划分结果组成测试画像图模型表示集和测试照片图模型表示集；(3)根据测试画像图模型表示集和测试照片图模型表示集计算相似度集；(4)根据相似度集计算人脸画像-照片识别率。本发明与现有方法相比，在计算图模型表示过程中使用人脸图像的空间结构信息，提高了人脸画像-照片识别率，可用于刑侦破案中犯罪嫌疑人的身份识别。
【IPC分类】G06K9/00
【公开号】CN105138951
【申请号】CN201510397326
【发明人】高新波, 彭春蕾, 李洁, 王楠楠, 孙雷雨, 张宇航, 张声传, 张铭津, 朱明瑞, 于昕晔
【申请人】西安电子科技大学
【公开日】2015年12月9日
【申请日】2015年7月8日