[發明專利]一種用于人臉識別的多特征空間的子字典聯合訓練的方法

有效

• 申請號: 201410046610.5
• 申請日: 2014-02-10
• 公開（公告）號: CN103793695B
• 公開（公告）日: 2017-11-28
• 發明（設計）人: 金志剛;徐楚
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 程毓英

技術領域

本發明屬于圖像識別技術領域，涉及一種多字典聯合訓練的方法。

背景技術

人臉識別一直是計算機視覺領域的熱門學科，Wright等人提出用基于壓縮感知理論的稀疏分類器(SRC)對人臉進行識別，取得了不錯的效果。但是該算法直接利用訓練圖片作為字典對檢測圖片進行L1范數約束的稀疏表示，顯然不能充分表征待測人臉圖片的特征，且字典的原子數過高增加了編碼的復雜度。

于是如何從原始訓練樣本學習得到最優化字典成為研究的熱點方向。目前有很多種用于人臉識別的字典學習算法：

1.Metaface,KSVD等都是對原始訓練樣本統一學習得到一個所有類別共同使用的字典。

2.為每一類別學習一個字典，讓每個字典盡量獨立。

以上提到的兩類字典學習方法都是在單一特征空間對原始訓練圖片進行學習，不能充分利用原訓練樣本的特征，泛化能力不好。

發明內容

本發明的目的是克服現有技術的上述不足，提供一種用于人臉識別的多特征空間的子字典聯合訓練的方法，采用本發明中訓練字典的算法進行人臉識別，可以實現人臉更為準確的識別。本發明將原始訓練樣本集合分別在Eigenface,Laplacianface和Gabor特征空間表示形成三個原始子字典O^E,O^L,O^G，然后對三個子字典進行基于遺傳算法的聯合學習，使得子字典訓練的子分類器達到盡可能小的訓練誤差，并通過鼓勵每兩個子分類器有不同的判定結果，從而盡量避免由于兩個分類器都判定錯誤引起的失敗。聯合學習優化后的子字典為N^E,N^L,N^G，分別是每個子字典中被挑選出的最具區分能力的樣本組成的字典。為了達到上述目的，本發明的技術方案是：

一種用于人臉識別的多特征空間的子字典聯合訓練的方法，包括：將原始訓練樣本{X₁…X_N}分別投影到Eigenface，Laplacianface和Gabor特征空間形成子字典O^E,O^L和O^G,然后利用遺傳算法對三個子字典進行聯合優化訓練得到子字典N^E,N^L,N^G。

作為優選實施方式，

（1）將原始訓練樣本{X₁…X_N}投影到Eigenface特征空間形成子字典O^E，在該特征空間投影后的樣本向量表達式為Y_K=W_PCA^TX_K,X_K是一個訓練樣本向量，W_PCA即為Eigenface特征空間的基組成的矩陣，變換后得到的集合{Y₁…Y_K…Y_N}即為子字典O^E；

（2）將原始訓練樣本{X1…XN}投影到Laplacianface特征空間形成子字典O^E，在該特征空間投影后的樣本向量表達式為Y_K=W^TX_K,W=W_PCAW_LPP，W_PCA表示先對原始字典進行主向量分析，從而去噪，W_LPP為Laplacianface特征空間的基組成的矩陣，變換后的{Y₁…Y_K…Y_N}即為子字典O^L；

（3）將原始訓練樣本{X₁…X_N}投影到Gabor特征空間，即利用Gabor濾波器對每一個原始列向量進行濾波,從而形成子字典O^G。

利用遺傳算法對三個子字典進行聯合優化訓練得到子字典N^E,N^L,N^G的方法如下：

A.根據原始訓練樣本得到原始子字典O^E,O^L,O^G；