[發(fā)明專利]基于半監(jiān)督子塊聯(lián)合回歸的單樣本人臉識別方法

有效

• 申請?zhí)枺?/td>: 201611010248.1
• 申請日: 2016-11-17
• 公開（公告）號: CN106599787B
• 公開（公告）日: 2019-07-02
• 發(fā)明（設(shè)計）人: 劉凡;許峰
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 姜慧勤

本發(fā)明公開了基于半監(jiān)督子塊聯(lián)合回歸的單樣本人臉識別方法，該方法首先將人臉劃分為多個子塊；然后提出基于半監(jiān)督的子塊聯(lián)合回歸模型以充分利用有標簽和無標簽的人臉圖像學(xué)習(xí)人臉圖像的各種變化信息，并加入無標簽人臉圖像在類別標簽坐標空間中距各類等距的約束以避免無標簽數(shù)據(jù)影響模型的鑒別性，利用非嚴格的增廣拉格朗日乘法求解模型以獲得每個子塊所對應(yīng)的映射矩陣；在此基礎(chǔ)上通過映射矩陣實現(xiàn)對測試圖像塊的回歸分類；最后對所有測試圖像塊進行投票最終確定分類結(jié)果。本發(fā)明單樣本人臉識別方法對表情、光照變化和遮擋等具有很好的魯棒性，識別精度高。

技術(shù)領(lǐng)域

本發(fā)明涉及單樣本人臉識別方法，特別是涉及每個待識別對象僅有一幅訓(xùn)練圖像的基于半監(jiān)督子塊聯(lián)合回歸的單樣本人臉識別方法，屬于人臉識別技術(shù)領(lǐng)域。

背景技術(shù)

過去四十年中，人臉識別技術(shù)取得了顯著進展，可控條件下的人臉識別技術(shù)已經(jīng)基本成熟。然而在非可控條件下，由于受光照、表情、姿態(tài)、噪聲、遮擋等因素的影響，人臉識別仍然是一個很有挑戰(zhàn)性的研究問題。解決這些問題的最直接方法就是加大訓(xùn)練樣本，但在實際應(yīng)用中如身份證識別、護照識別、司法確認、準入控制等諸多實際應(yīng)用中，通常只有一個訓(xùn)練樣本可被獲取，這種情況下的人臉識別問題被稱之為單樣本人臉識別問題(Single Sample per Person，SSPP)，其進一步加劇了非可控條件下人臉識別的難度。

從技術(shù)上講，單樣本人臉識別更加凸顯了訓(xùn)練樣本少與圖像數(shù)據(jù)維數(shù)高之間的矛盾，使得許多現(xiàn)有的人臉識別技術(shù)要么出現(xiàn)嚴重的性能下降，要么根本無法工作，因而被公認為是最具挑戰(zhàn)性的研究課題之一。但從實用角度講，每人單張圖像本身卻具有采集容易、存儲代價小、便于大范圍推廣等許多突出優(yōu)點。因此，單樣本人臉識別問題不僅具有很強的學(xué)術(shù)研究價值，而且也是人臉識別系統(tǒng)走向?qū)嵱没^程中無可回避、必須解決的問題，解決這一問題具有重大的現(xiàn)實意義。

為了克服單樣本識別時類內(nèi)變化無法估計的問題，通用學(xué)習(xí)法(genericlearning)額外引入了一個含有每人多張人臉的通用訓(xùn)練集(generic set)。由于人臉具有相似的類內(nèi)變化，因此有可能將generic set上學(xué)習(xí)到的人臉圖像變化規(guī)律用于分析單訓(xùn)練樣本集(gallery set)中人臉圖像的變化。基于上述假設(shè)，Wang等人首先提出了一個通用學(xué)習(xí)的框架(J.Wang,K.N.Plataniotis,J.Lu,A.N.Venetsanopoulos,“On solving theface recognition problem with one training sample per subject”.PatternRecognition,2006,39(9):1746-1762)，接著Su(S.Yu,S.Shan,X.Chen,W.Gao,“AdaptiveGeneric Learning for Face Recognition from a Single Sample per Person”IEEEComputer Vision and Pattern Recognition.San Francisco,CA,June 2010:2699-2706)提出的自適應(yīng)通用學(xué)習(xí)(Adaptive Generic Learning，AGL)方法試圖利用一個從通用訓(xùn)練集上學(xué)到的預(yù)測模型進一步完善該假設(shè)。Kan等人(M.Kan,S.Shan,Y.Su,et al.“Adaptivediscriminant learning for face recognition”.Pattern Recognition,2013,46(9):2497-2509)提出的自適應(yīng)判別分析(Adaptive Discriminant Analysis)方法則基于上述自適應(yīng)通用學(xué)習(xí)的思想，利用與測試樣本鄰近的通用集內(nèi)的若干訓(xùn)練樣本去估計測試樣本的類內(nèi)散度矩陣。最近，為解決單樣本識別問題，文獻(B.Wang,F.Zhou,W.Li,Z.Li,Q.Liao“Combining Specific Learning and Generic Learning for Single-Sample FaceRecognition,”5th International Congress on Image and Signal Processing,Chongqing,Oct.2012:1219-1223)將具體學(xué)習(xí)(Specific Learning)和通用學(xué)習(xí)(GenericLearning)相結(jié)合，而Deng等人(W.Deng,J.Hu,X.Zhou,et al.“Equidistant prototypesembedding for single sample based face recognition with generic learning andincremental learning,”Pattern Recognition,2014,47(12):3738-3749)則基于“等距原型嵌入”原理提出了一種線性回歸分析(linear regression Analysis，LRA)方法，并引入通用學(xué)習(xí)來提升該方法的泛化能力。