[發明專利]一種基于圖像檢索和特征權重學習的人臉識別方法

有效

• 申請號: 201410360031.8
• 申請日: 2014-07-25
• 公開（公告）號: CN104143088A
• 公開（公告）日: 2014-11-12
• 發明（設計）人: 程洪;王玉琢;楊路
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 卓仲陽

1.一種基于圖像檢索和特征權重學習的人臉識別方法，其特征在于，包括：

步驟一：生成訓練樣本圖像集A和樣本圖像特征集F：

S11收集人臉圖像生成訓練樣本圖像集A；

S12使用SDM算法和仿射變換將人臉圖像旋轉到水平位置并且做尺度歸一化；

S13提取訓練樣本圖像集A中每一張人臉圖像的SIFT特征f_i'，以及每個SIFT特征f_i'對應的幾何坐標z_i，得到一個M×130的特征集，其中M為每張人臉圖像的特征點個數；每個特征點f_i由一個128維的SIFT特征f_i'加上2維相對應的幾何坐標z_i組成，對SIFT特征f_i'做l₂范數歸一化，根據人臉尺寸對幾何坐標z_i做l₁范數歸一化；單個特征點表示如下：

f_i＝[f_i',αz_i],0≤α≤1,

z_i＝(x,y),i＝1,…M；

其中，參數α是用來調節位置信息在SIFT特征匹配中的權重，x,y為特征點在人臉圖像上的橫縱坐標；

S14將所有人臉圖像的特征點的集合作為樣本圖像特征集F；

步驟二：檢索得到匹配人臉圖像子集D_t：

S21對樣本圖像特征集F采用K-means方法進行聚類，生成K個聚類；

S22用步驟一中S13所述的方法提取待識別人臉圖像Q的特征集，得到待識別人臉圖像特征集F_Q；

S23用歐幾里得度量法，做最近鄰查找，將待識別人臉圖像特征集F_Q中的每一個特征點分配到K個聚類中與之最近的那些聚類中去；將包含待識別人臉圖像特征集F_Q中特征點的那些聚類作為聚類集合K_Q；

S24將訓練樣本圖像集A中所有包含有聚類集合K_Q中任意一個特征點的人臉圖像提取出來，作為匹配人臉圖像子集D_t；

步驟三：計算并篩選得到相似人臉圖像子集D_s：

S31計算K個聚類中每個聚類的逆文檔頻率idf(k)：

idf(k)=Nn(k),]]>

其中，k表示聚類的標號，N表示訓練樣本圖像集A中的人臉圖像總數，n(k)表示訓練樣本圖像集A中包含有第k個聚類中任意一個特征點的人臉圖像數量；

S32計算待識別人臉圖像Q和匹配人臉圖像子集D_t中每個匹配人臉圖像d_t的相似度S(Q,d_t)，

S(Q,dt)=Σk=1KΣ(fi,gj)fi∈dt,gj∈Qe(fi)=e(gj)||L(fi)-L(gj)||<ϵidf(k)tfQ(k)·tfdt(k),]]>

其中，tf_Q(k)表示待識別人臉圖像特征集F_Q中被分配到第k個聚類的特征點的數量；表示某個匹配人臉圖像d_t所有特征點中存在于第k個聚類的特征點的個數；f_i為匹配人臉圖像d_t的特征點，g_j表示待識別人臉圖像Q的特征點，(f_i,g_j)表示兩個特征點匹配，e(f_i)＝e(g_j)表示兩個特征點屬于相同的聚類；函數L(f_i)和L(g_j)分別表示特征點f_i和g_j的類別信息，||L(f_i)-L(g_j)||<ε表示特征點在空間位置上具有連續性；

S33對匹配人臉圖像子集D_t中所有匹配人臉圖像d_t按照相似度S(Q,d_t)降序排列，取前R個人臉圖像組成相似人臉圖像子集D_s；

步驟四：在線特征點權重學習：

S41用步驟一中S13所述的方法提取相似人臉圖像子集D_s特征點，生成相似人臉圖像特征集F_s，將特征集F_s中每個特征點對應的權重初始化為一個統一的數值ω₀；

S42對特征集F_s中的每一個特征點f_i作最近鄰查找，找到f_i的最近鄰特征點f_j，如果f_j和f_i的類別標簽一致，那么f_j的權重增大，否則減小；如果某個特征點f_j被n個特征點查找為最近鄰特征點，則它的權重需被修改n次；將特征點f_j原始權重表示為ω¹(f_j)＝ω₀，則特征點f_j經過n次修改后的權重ωⁿ⁺¹(f_j)通過如下迭代公式實現：

ωⁿ⁺¹(f_j)＝ωⁿ(f_j)(ω₀+Δω),L(f_j)＝L(f_i),

ωⁿ⁺¹(f_j)＝ωⁿ(f_j)(ω₀-Δω),L(f_j)≠L(f_i),

S43對所有修改后的特征點權重作l₁范數歸一化，得到帶權重特征庫；

步驟五：在線特征對權重學習：

S51將帶權重特征庫中的特征點按權重值降序排列，取前2m個特征點，隨機組合成m組特征對P＝{p₁,p₂,...p_m}，將每個特征對對應的權重初始化為一個統一的數值w₀；

S52對m組特征對P＝{p₁,p₂,...p_m}中的每一對特征對p_u作最近鄰查找，找到p_u的最近鄰特征對p_v，如果p_v和p_u的類別標簽一致，那么p_v的權重增大，否則減小；如果某個特征對p_v被n個特征對查找為最近鄰特征對，則它的權重需被修改n次；將特征對p_v原始權重表示為w¹(p_v)＝w₀，則特征點p_v經過n次修改后的權重wⁿ⁺¹(p_v)通過如下迭代公式實現：

wⁿ⁺¹(p_v)＝λwⁿ(p_v)(w₀+Δw),L(p_v)＝L(p_u),

wⁿ⁺¹(p_v)＝λwⁿ(p_v)(w₀-Δw),L(p_v)≠L(p_u),

其中，λ是用來進一步調整特征對權重的參數；

S53對所有修改后的特征對權重作l₁范數歸一化，得到帶權重特征對庫；

步驟六：人臉識別：

S61從帶權重特征庫中尋找待識別人臉圖像Q的特征點g_j的最近鄰特征點，將該最近鄰特征點的權重投給特征點g_j所屬的類別，進而得到每個類別的特征點投票得分S_single；

S62對待識別人臉圖像Q的所有特征點隨機選擇出特征對G_J，從帶權重特征對庫中尋找特征對G_J的最近鄰特征對，并將該最鄰近特征對的權重投給特征對G_J所屬的類別，得到每個類別的特征對投票得分S_pair；

S63將每個類別的特征點投票得分S_single和特征對投票得分S_pair分別相加，得到每個類別的最終得分，將最終得分最高的那個類別標簽賦予待識別人臉圖像Q。