[發(fā)明專利]基于高維流形學(xué)習(xí)的人臉特征庫(kù)構(gòu)建方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201510658527.8
• 申請(qǐng)日: 2015-10-12
• 公開（公告）號(hào): CN105184281A
• 公開（公告）日: 2015-12-23
• 發(fā)明（設(shè)計(jì)）人: 胡靜
• 申請(qǐng)（專利權(quán)）人: 上海電機(jī)學(xué)院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00
• 代理公司: 上海思微知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31237
• 代理人: 菅秀君

技術(shù)領(lǐng)域

本發(fā)明涉及人臉特征庫(kù)構(gòu)建領(lǐng)域，更具體地說，本發(fā)明涉及一種基于高維流形學(xué)習(xí)的人臉特征庫(kù)構(gòu)建方法。

背景技術(shù)

在線人臉識(shí)別系統(tǒng)能夠自動(dòng)檢測(cè)給定視頻幀中的人臉圖像，提取人臉特征與人臉特征數(shù)據(jù)庫(kù)進(jìn)行匹配，從而完成人臉的圖像特征識(shí)別。在線人臉識(shí)別系統(tǒng)在監(jiān)控，信息安全，入口控制等領(lǐng)域有著廣泛的應(yīng)用前景。在線人臉識(shí)別系統(tǒng)一個(gè)重要的問題就是如何選擇人臉特征庫(kù)，由于視頻圖像序列中人臉圖像有多姿態(tài)，多表情，多視角的問題，人臉特征庫(kù)中的人臉圖像應(yīng)最大程度的包含多姿態(tài)，多表情，多視角特性，同時(shí)考慮到算法運(yùn)行的耗時(shí)問題，每人的人臉特征庫(kù)不應(yīng)該太大。

一般，人臉識(shí)別就是對(duì)于輸入的圖像，判斷其中是否存在人臉，如果存在人臉，則進(jìn)一步的給出每個(gè)人臉的位置、大小和各個(gè)主要面部器官的位置信息，并依據(jù)這些信息，進(jìn)一步提取每個(gè)人臉中所蘊(yùn)含的身份特征，將其與已知人臉庫(kù)中的人臉進(jìn)行匹配，從而識(shí)別每個(gè)人臉的身份。人臉識(shí)別系統(tǒng)可以如圖1所示。

基于特征空間變換的人臉識(shí)別方法將人臉圖像像素作為在圖像空間中的一個(gè)向量，利用某種變換W將高維的圖像空間映射到低維的特征空間。在識(shí)別階段，將人臉圖像投影至特征空間，利用得到的低維特征向量與數(shù)據(jù)庫(kù)中的特征進(jìn)行匹配。主分量分析，獨(dú)立分量分析，線性判別分析都是經(jīng)典的線性空間變換的算法，他們的不同之處在于基向量的定義以及變換矩陣W的構(gòu)建，對(duì)于特征空間的線性投影都是相同的。以上的線性空間變換算法在很多場(chǎng)合都取得了不錯(cuò)的結(jié)果，然而對(duì)于那些臉部光照條件，臉部姿態(tài)變化較大等情況下人臉圖像的特征提取效果卻一般，原因在于人臉模式在高維空間中往往是非線性的關(guān)系，繼而出現(xiàn)了非線性空間變換的人臉識(shí)別算法，原理就是將人臉圖像空間映射到線性的高維特征空間，然后再使用傳統(tǒng)的線性變換算法，為此出現(xiàn)了核PCA(KernalPrincipleComponentsanalysis,KPCA)，核ICA(KernalIndependentComponentAnalysis,KICA)，廣義辨別分析(GeneralizedDiscriminantAnalysis,GDA)。近年來也出現(xiàn)了一些新的非線性投影的方法，它們既繼承了線性空間變換的簡(jiǎn)單特性，又繼承了非線性處理數(shù)據(jù)的能力，如Roweis，Junping提出的局部線性嵌入算法(LocallyLinearEmbedding,LLE)和Tenenbaum提出的等量特征映射算法(Isometricfeaturemapping,Isomap)等。

但是，傳統(tǒng)在線人臉識(shí)別算法中，每個(gè)學(xué)習(xí)樣本在圖像空間中都是當(dāng)作為孤立的單個(gè)穩(wěn)定狀態(tài)，不考慮樣本之間的相關(guān)性，而現(xiàn)實(shí)中的在線人臉圖像序列中的人臉表現(xiàn)為一個(gè)連續(xù)的運(yùn)動(dòng)狀態(tài)，每種狀態(tài)之間體現(xiàn)了一種幾何結(jié)構(gòu)關(guān)系。由此，傳統(tǒng)在線人臉識(shí)別技術(shù)的效果并不是太好。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是針對(duì)現(xiàn)有技術(shù)中存在上述缺陷，提供一種能夠采用高維流形學(xué)習(xí)的方法來改善上述缺陷的人臉特征庫(kù)構(gòu)建方法。

為了實(shí)現(xiàn)上述技術(shù)目的，根據(jù)本發(fā)明，提供了一種基于高維流形學(xué)習(xí)的人臉特征庫(kù)構(gòu)建方法，包括：

第一步驟：為各個(gè)系統(tǒng)參數(shù)賦初值；

第二步驟：確定高維數(shù)空間中的內(nèi)在維數(shù)d，作為人臉特征在高維空間中的內(nèi)在維數(shù)d；

第三步驟：構(gòu)建近鄰圖，尋找和每個(gè)樣本距離最近的K個(gè)樣本點(diǎn)作為近鄰，在每個(gè)樣本和它的近鄰之間建立連接，從而構(gòu)成一個(gè)近鄰圖，兩點(diǎn)之間的距離來表示近鄰圖的邊；

第四步驟：計(jì)算近鄰圖中任意兩個(gè)樣本之間的測(cè)地距離；計(jì)算該近鄰圖上兩點(diǎn)之間的最短路徑，作為樣本點(diǎn)之間的測(cè)線距離的近似；

第五步驟：利用計(jì)算得到的測(cè)地距離以及測(cè)線距離的近似，獲得近鄰圖的低維投影，從而構(gòu)造一個(gè)保持本質(zhì)幾何結(jié)構(gòu)的d維歐氏空間；

第六步驟：對(duì)低維空間進(jìn)行聚類，選擇聚類中心為代表性人臉圖像構(gòu)建人臉低維特征庫(kù)。

優(yōu)選地，在第一步驟中，鄰域值和內(nèi)在維數(shù)都賦初值為1。

優(yōu)選地，在第五步驟中采用經(jīng)典的MDS算法。

優(yōu)選地，在第六步驟中使用K均值算法。

優(yōu)選地，在第二步驟根據(jù)Sammon系數(shù)方法來確定高維數(shù)空間中的內(nèi)在維數(shù)。

由于現(xiàn)實(shí)中的視頻圖像序列中的人臉表現(xiàn)為一個(gè)連續(xù)的運(yùn)動(dòng)狀態(tài)，所以每種狀態(tài)之間體現(xiàn)了一種幾何結(jié)構(gòu)關(guān)系；在本發(fā)明中，采用人臉流形學(xué)習(xí)的目的就是在人臉圖像空間中提取內(nèi)在的幾何結(jié)構(gòu)及其規(guī)律性，尋找內(nèi)在低維結(jié)構(gòu)與高維觀測(cè)數(shù)據(jù)間的聯(lián)系，將高維圖像空間降維到低維特征空間，從而大大降低人臉圖像特征庫(kù)的圖像匹配運(yùn)算時(shí)間，提高在線人臉識(shí)別的效率。