[發(fā)明專利]一種基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識別方法

有效

• 申請?zhí)枺?/td>: 201410583963.9
• 申請日: 2014-10-27
• 公開（公告）號: CN104318214B
• 公開（公告）日: 2017-09-15
• 發(fā)明（設計）人: 陳雪;王春恒;肖柏華
• 申請（專利權(quán)）人: 中國科學院自動化研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 中科專利商標代理有限責任公司11021
• 代理人: 宋焰琴

1.一種基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識別方法，特征在于，該方法包括以下步驟：

步驟S1：根據(jù)源域人臉集的人臉圖像特征，對源域人臉集中的每一類樣本訓練出每個對樣本類別有區(qū)分性的子詞典；所有類的子詞典串接在一起，構(gòu)成結(jié)構(gòu)化的源域詞典；

步驟S2：通過遞增地減少源域詞典在目標域人臉集上的重構(gòu)誤差，逐漸地將源域詞典轉(zhuǎn)移到目標域，同時學習目標域詞典和多個中間域詞典；

步驟S3：計算源域人臉集的人臉圖像在源域詞典上的源域圖像人臉編碼，對源域圖像人臉編碼、源域詞典、目標域詞典和多個中間域詞典分別計算，得到源域人臉圖像的源域重構(gòu)圖像、目標域重構(gòu)圖像和中間域重構(gòu)圖像；將源域重構(gòu)圖像、目標域重構(gòu)圖像和中間域重構(gòu)圖像串接組成源域人臉圖像的域共享特征；

計算目標域人臉集的人臉圖像在目標域詞典上的目標域圖像人臉編碼，分別對目標域圖像人臉編碼、源域詞典、目標域詞典和多個中間域詞典計算，得到目標域人臉圖像的源域重構(gòu)圖像、目標域重構(gòu)圖像和中間域重構(gòu)圖像，將源域重構(gòu)圖像、目標域重構(gòu)圖像和中間域重構(gòu)圖像串接組成目標域人臉圖像的域共享特征；

步驟S4：根據(jù)源域人臉圖像的域共享特征，對源域人臉集中的每一類樣本訓練一個支持向量機模型；將目標域人臉圖像的域共享特征輸入所有類別的支持向量機模型，取得分數(shù)最高的支持向量機模型對應的類別定義為目標域人臉圖像的類別；

其中，訓練出源域詞典中每個對樣本類別有區(qū)分性的子詞典的步驟如下：

步驟S11：為了使源域詞典能有效的構(gòu)建源域人臉集模型，將源域詞典在源域人臉集上的重構(gòu)誤差進行最小化并構(gòu)建出最小化目標函數(shù)：

步驟S12：為了使結(jié)構(gòu)化的源域詞典能夠區(qū)分源域人臉集中的每一類樣本，構(gòu)建源域詞典中的每個子詞典與源域人臉集中對應的第i類樣 本的重構(gòu)能力約束項和區(qū)分性約束項模型；

步驟S13：結(jié)合最小化目標函數(shù)、重構(gòu)能力約束項和區(qū)分性約束項，構(gòu)建新目標函數(shù)；

步驟S14：通過對源域詞典及其稀疏編碼系數(shù)矩陣迭代更新來求解新目標函數(shù)，訓練出源域詞典中每個子詞典；

所述最小化目標函數(shù)表示為：

其中，E_S為源域詞典在源域人臉集上的重構(gòu)誤差，X_S為源域人臉集Y_S在所有類的子詞典串接構(gòu)成的結(jié)構(gòu)化的源域詞典D上的稀疏編碼系數(shù)矩陣，s.t表示優(yōu)化條件；為稀疏編碼系數(shù)矩陣X_S的第l列，l為稀疏編碼系數(shù)矩陣X_S的列的序號；||.||₀表示l⁰范數(shù)為統(tǒng)計向量中的非零元素個數(shù)；T₀是稀疏編碼的稀疏水平參數(shù)；i為源域人臉集中樣本類別序號，C為源域人臉集中樣本類別數(shù)目；D_i為源域詞典中第i類樣本的子詞典；

構(gòu)建所述約束項模型的步驟包括如下：

步驟S121：每個子詞典對源域人臉集中的第i類樣本集Y_i^S具有良好的重構(gòu)能力的約束項表示為：所述良好的重構(gòu)能力是重構(gòu)誤差越小重構(gòu)能力越好；

步驟S122：第i類樣本的子詞典對源域人臉集中每類樣本集具有良好的區(qū)分性約束項r(D_i)表示為：所述良好的區(qū)分性是約束項r(D_i)越小區(qū)分性越好；其中，D_i為源域人臉集中第i類樣本的子詞典，為第i類樣本集Y_i^S對應子詞典D_i的稀疏編碼系數(shù)矩陣，是重構(gòu)誤差，i為源域人臉集中樣本類別序號，C為源域人臉集中樣本類別數(shù)目；為第j類樣本集對應子詞典D_i的稀疏編碼系數(shù)矩陣；

所述構(gòu)建新的目標函數(shù)J表示為：

其中，X_S為源域人臉集Y_S在所有類的子詞典串接構(gòu)成的結(jié)構(gòu)化的源域詞 典D上的稀疏編碼系數(shù)矩陣，Y_i^S為第i類樣本集，D_i為源域人臉集中第i類樣本的子詞典，為第i類樣本集Y_i^S對應子詞典D_i的稀疏編碼系數(shù)矩陣，r(D_i)表示為子詞典D_i對源域人臉集中每類樣本集的區(qū)分性約束項，α為正的懲罰參數(shù)，表示F2范數(shù)；i為源域人臉集中樣本類別序號，C為源域人臉集中樣本類別數(shù)目；

求解所述源域詞典及其稀疏編碼系數(shù)矩陣的步驟包括：

步驟S141：設定源域詞典的取值，將新目標函數(shù)簡化為標準的稀疏編碼問題；利用追蹤算法對標準的稀疏編碼進行求解，得到最優(yōu)解的稀疏編碼系數(shù)矩陣；所述追蹤算法為匹配追蹤或正交匹配追蹤算法；

步驟S142：設定稀疏編碼系數(shù)矩陣X_S的取值，將第i類樣本的子詞典依據(jù)以下的子問題依次更新：

通過令新目標函數(shù)J₀對于源域詞典中第i類樣本的子詞典D_i的一階導數(shù)為零，得到源域詞典中第i類樣本的子詞典D_i的閉集解；迭代更新源域詞典和稀疏編碼系數(shù)矩陣；當?shù)螖?shù)達到預設迭代次數(shù)T₀時，迭代終止；其中為第i類樣本集Y_i^S對應子詞典D_i的稀疏編碼系數(shù)矩陣；r(D_i)表示子詞典D_i對源域人臉集中每類樣本集的區(qū)分性約束項，α為正的懲罰參數(shù)；

所述學習目標域詞典和多個中間域詞典的具體步驟為：

步驟S21：依據(jù)稀疏表示的原則，通過最小化第k個中間域詞典在目標域人臉集Y_t上的重構(gòu)誤差來求解第k個稀疏編碼系數(shù)矩陣X_t^(k)，對稀疏編碼系數(shù)矩陣X_t^(k)進行優(yōu)化的目標函數(shù)表示為：

其中，D^(k)為給定的第k個中間域詞典，k為中間域詞典的序號；X_t為待求解的稀疏編碼系數(shù)矩陣；s.t表示優(yōu)化條件；l為稀疏編碼系數(shù)矩陣X_t的列的序號；為稀疏編碼系數(shù)矩陣X_t的第l列；||.||₀表示l⁰范數(shù)，統(tǒng)計向量中的非零元素個數(shù)；T₀是稀疏編碼的稀疏水平參數(shù)；以上優(yōu)化目標通過追蹤算法求解；

步驟S22：將稀疏編碼系數(shù)矩陣X_t^(k)寫做X_t^(k)＝{X₁^t(k),X₂^t(k),...,X_C^t(k)},其中X_i^t(k)為目標域人臉集Y_t對第i類樣本的子詞典D_i^(k)的稀疏編碼系數(shù)矩陣，那么重構(gòu)誤差可以分解為：

其中，E_i表示去除子詞典D_i^(k)后，目標域人臉集Y_t在中間域詞典D^(k)上的重構(gòu)誤差；X_j^t(k)為目標域人臉集Y_t對第j類樣本的子詞典D_j^(k)的稀疏編碼系數(shù)矩陣；j≠i；為了最小化重構(gòu)誤差E_t，優(yōu)化子詞典D_i^(k)使得它能擬合當前的殘余重構(gòu)誤差E_i，同時，為了懲罰相鄰的中間域詞典間的突變，限制相鄰詞典的增量ΔD_i^(k)＝D_i^(k+1)-D_i^(k)要小，D_i^(k+1)為子詞典Di^(k)的更新值；最終，優(yōu)化目標函數(shù)表示為：

其中，λ為正的懲罰參數(shù)；

步驟S23：假設ω_i為目標域人臉集Yt中使用子詞典D_i^(k)作為重構(gòu)元素的樣本的序號索引集其中，N_t為目標域人臉集的樣本總數(shù)，X_i^t(k)為目標域人臉集Y_t對子詞典D_i^(k)的稀疏編碼系數(shù)矩陣，l為X_i^t(k)的列的序號，設Ω_i為N_t×|ω_i|大小的收縮矩陣，且收縮矩陣Ω_i中坐標為(ω_i(l),l)的元素的值Ω_i(ω_i(l),l)＝1，收縮矩陣Ω_i中其余值為0；定義稀疏編碼系數(shù)矩陣X_i^t(k)的收縮矩陣為目標域人臉集Y_t的收縮矩陣為重構(gòu)誤差E_i的收縮矩陣為則步驟S22中的優(yōu)化目標函數(shù)J₁等價于：

步驟S24：通過對D_i^(k+1)和迭代更新來求解目標函數(shù)J₁；給定通過令目標函數(shù)J₁對于參數(shù)D_i^(k+1)的一階導數(shù)為零來求解D_i^(k+1)；給定D_i^(k+1)，通過令目標函數(shù)J₁對于參數(shù)的一階導數(shù)為零求來求解的更新值迭代更新參數(shù)當相鄰詞典的增量ΔD_i^(k)小于某一預設閾值T1時，迭代操作終止，學習得到多個中間域詞典迭代更新算法得到的最后一個詞典定義為目標域詞典D_K； 其中K為學習目標域詞典和多個中間域詞典的總數(shù)，K-1為中間域詞典的個數(shù)，k為中間域詞典的序號。