[發(fā)明專利]一種基于聯(lián)合稀疏模型和稀疏保持映射的人臉識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310162456.3
• 申請(qǐng)日: 2013-05-03
• 公開（公告）號(hào): CN103246874B
• 公開（公告）日: 2017-02-15
• 發(fā)明（設(shè)計(jì)）人: 楊新武;牛文杰;趙曉
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司11203
• 代理人: 吳蔭芳

1.一種基于聯(lián)合稀疏模型和稀疏保持映射的人臉識(shí)別方法，其特征在

于包括如下步驟：

S1：預(yù)處理：

S1.1對(duì)人臉庫中的所有圖像進(jìn)行歸一化處理，歸一化的操作是指先把圖像表示成灰度值矩陣，然后把灰度值矩陣的每一列順序放在第一列的后邊，得到列矩陣，即得到歸一化后的圖像灰度值矩陣，此后的所有操作都是在歸一化后的圖像灰度值矩陣基礎(chǔ)上的；人臉庫中包括不同人的不同表情圖像，同一個(gè)人的不同圖像歸為一類，在每一類中取若干張作為訓(xùn)練圖像，其余的圖像作為測(cè)試圖像；

S2：利用基于所有訓(xùn)練圖像組成的變換基的聯(lián)合稀疏模型JSM算法提取每一類訓(xùn)練圖像在空間域上的公有部分和私有部分和，其中第k類訓(xùn)練圖像在空間域上的公有部分和私有部分和計(jì)算方法如下：

S2.1計(jì)算第k類訓(xùn)練圖象的特征集W_k

先把第k類的訓(xùn)練圖像歸一化后的圖像灰度值矩陣運(yùn)用主成分分析PCA算法進(jìn)行降維，得到降維后訓(xùn)練圖像集gk，然后把降維后圖像集g_k作為JSM算法的輸入得到W_k，JSM算法如下：

gk=ψ~Wk]]>

其中，變換基Ψ~=[B,C],]]>BJk×1=[A,...,A]T,]]>A=[A₁,A₂,...A_i...,A_M]，M是所有類的所有訓(xùn)練圖像的總個(gè)數(shù)，A_i是PCA降維以后的第i個(gè)訓(xùn)練圖像灰度值矩陣，用于表示降維后訓(xùn)練圖像，T表示轉(zhuǎn)置運(yùn)算，求出W_k；

S2.2通過求解稀疏保持映射中的最小一范式問題求出第k類訓(xùn)練圖像的公有部分和第k類第j個(gè)訓(xùn)練圖像的私有部分其中W_k最稀疏表示如下：

W_k=argmin||W_k||₁

最優(yōu)化解J_k表示第k類訓(xùn)練圖像的個(gè)數(shù)，表示第k類訓(xùn)練圖像的公有部分，表示第k類中第j個(gè)訓(xùn)練圖像的私有部分；

S2.3根據(jù)S2.2中提取的計(jì)算出第k類訓(xùn)練圖像在空間域上的公有部分和私有部分的和計(jì)算如下：

gkc=Aθkc,gkA=Σj=1Jkgk,ji]]>

其中A是步驟S2.1中定義的A，表示求得的第k類中的第j個(gè)訓(xùn)練圖像在空間域上的私有部分；

S3：計(jì)算降維矩陣：

S3.1根據(jù)聯(lián)合稀疏模型，利用S2中提取出的每一類訓(xùn)練圖像在空間域上的公有部分和私有部分和來對(duì)所有類的所有訓(xùn)練圖像進(jìn)行重構(gòu)，對(duì)PCA降維以后的第k類第j個(gè)訓(xùn)練圖像的灰度值矩陣t_kj進(jìn)行重構(gòu)得到重構(gòu)圖像矩陣的方法如下：

t^kj=gkc+fk]]>

其中，是步驟S2.3中求出的第k類訓(xùn)練圖像在空間域上的公有部分，根據(jù)JSM算法，f_k是與第k類的私有部分和利用步驟S2.1中的JSM算法求得的空間域上的公有部分，計(jì)算方法如下：

r_kj=Ψ′W_kj

其中，表示訓(xùn)練圖像矩陣t_kj減去其所屬類別的公有部分表示第k類的私有部分和，Ψ′=[B′,C′]，B′=[A,A]T，C=A00A,]]>A=[A₁,A₂,...A_i...,A_M]，M是所有類的所有訓(xùn)練圖像的總個(gè)數(shù)，A_i是PCA降維以后的第i個(gè)訓(xùn)練圖像灰度值矩陣，T表示轉(zhuǎn)置運(yùn)算，求出W_kj，其中，

Wkj=[θkjc,θk1i,θk2i]T,fk=Aθkjc;]]>

S3.2利用聯(lián)合稀疏模型和步驟S3.1中求出的重構(gòu)圖像矩陣求解降維矩陣；

根據(jù)稀疏保持映射，通過解以下最小化問題得到降維矩陣w：

minwΣk=1KΣj=1Jk||wTtkj-wTt^kj||2]]>

其中，t_kj是PCA降維以后的第k類第j個(gè)訓(xùn)練圖像的灰度值矩陣，是步驟S3.1中對(duì)訓(xùn)練圖像矩陣t_kj進(jìn)行重構(gòu)得到重構(gòu)圖像矩陣，J_k是第k類中訓(xùn)練圖像的個(gè)數(shù)，K表示總的類數(shù)；

S4：分類識(shí)別：

4.1)利用求得的降維矩陣w，對(duì)測(cè)試圖像y和步驟2.3）中得到的每一類訓(xùn)練圖象的公有部分和私有部分和都用降維矩陣w進(jìn)行降維，測(cè)試圖像y經(jīng)w降維后得到第k類訓(xùn)練圖象的公有部分經(jīng)w降維后得到第k類訓(xùn)練圖象私有部分和經(jīng)w降維后得到計(jì)算如下：

y~=wy,g~kc=wgkc,g~kA=wgkA]]>

4.2)利用步驟4.1）得到每一類訓(xùn)練圖象降維后的公有部分和私有部分的和，分別對(duì)降維后測(cè)試圖像進(jìn)行重構(gòu)，得到重構(gòu)測(cè)試圖像矩陣集K表示類的總數(shù)，表示測(cè)試圖像通過降維后的第i類訓(xùn)練圖象的公有部分和降維后的私有部分和計(jì)算出的重構(gòu)圖像，即其中f_i是降維后測(cè)試圖像與第i類公有部分的差以及降維后的第i類的私有部分和利用步驟2.1)中的JSM算法求得的公有部分，計(jì)算方法如下：

r_i=Ψ′W_i

其中，由步驟4.1）得到，Ψ′=[B′,C′]，C′=A~00A~,]]>w是步驟4.1)中求得的降維矩陣，A=[A₁,A₂,...A_i...,A_M]，M是所有類的所有訓(xùn)練圖像的總個(gè)數(shù)，所有的訓(xùn)練圖像編號(hào)為1到M，A_i是PCA降維以后的第i個(gè)訓(xùn)練圖像灰度值矩陣，T表示轉(zhuǎn)置運(yùn)算，求出Wi=[θic,θi1i,θi2i]T,fi=Aθic;]]>

4.3)利用和計(jì)算出對(duì)應(yīng)每一類的重構(gòu)誤差l，即：

l=argmini<||y~i-y~||2>]]>

測(cè)試圖像y歸為l最小的所屬類。