[發明專利]一種基于多尺度變換的稀疏表示的人臉識別方法

有效

• 申請號: 201611228943.5
• 申請日: 2016-12-27
• 公開（公告）號: CN106845362B
• 公開（公告）日: 2020-03-20
• 發明（設計）人: 趙璞;劉艷蘭;胡耀清
• 申請（專利權）人: 湖南長城信息金融設備有限責任公司;中電長城(長沙)信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 長沙市融智專利事務所(普通合伙) 43114
• 代理人: 龔燕妮

1.一種基于多尺度變換的稀疏表示的人臉識別方法，其特征在于，包括以下步驟：

步驟1：采集待識別人臉圖像和樣本人臉圖像；

步驟2：對人臉圖像依次進行對數變換和小波分解處理，得到高頻子圖像和低頻子圖像；

步驟3對步驟2獲得的低頻子圖像進行直方圖均衡化處理，將步驟2獲得的高頻子圖像和經直方圖均衡化處理后的低頻子圖像進行PCA特征提取；

步驟4：利用特征提取之后的低頻和高頻分量進行逆小波變換重構人臉圖像，獲得光照歸一化后人臉圖像；

步驟5：采用稀疏表示模型對待識別人臉圖像的光照歸一化人臉圖像進行識別；

所述步驟5的具體過程如下：

1)將待識別人臉圖像和樣本人臉圖像經過步驟2-步驟4處理后的光照歸一化人臉圖像分別進行小波分解，得到分解后的待識別圖像矩陣和樣本圖像字典矩陣待識別圖像數量為k，樣本圖像數量為d；

2)將分解后的待識別人臉圖像矩陣和樣本圖像字典矩陣用稀疏表示模型表示為如下形式：

其中，表示第i張分解后的待識別人臉圖像矩陣，且共有k張待識別人臉圖像；

表示第i張分解后的樣本人臉圖像矩陣，共有d張樣本人臉圖像；

β為稀疏系數向量，β＝[β₁,β₂,…β_l]，ρ_θ為最小化目標函數，σ為大于零的常數，σ＞0；||·||₁表示一范數，l表示待識別人臉圖像中的像素點個數；

3)計算每張待識別人臉圖像的殘差

其中，t表示迭代的次數，表示第t次迭代時所有樣本人臉圖像的灰度均值圖像矩陣，當t＝1時，為所有樣本人臉圖像的均值圖像，表示第t次迭代時第i張待識別人臉圖像與所有樣本人臉圖像的均值圖像之間的殘差；

4)計算第i張待識別人臉圖像權值系數矩陣

其中，δ^(t)控制分界點的位置，取值為矩陣γ中的第ε個元素，表示向下取整，γ為對所有(e_i^(t))²進行升序排列后的矩陣，表示中每個元素的平方和；μ^(t)為增長率矩陣，

5)計算最優稀疏系數β^*：s.t.||β||₁≤σ；

其中，表示二范數的平方，||·||₁表示一范數，P表示整合權值矩陣，矩陣大小為1×k，P的第i個元素取值為的第一個元素；

6)更新稀疏系數β^(t)：若t＝1，則若t＞1，則β^(t)：β^(t)＝β^(t-1)+η^(t)(β^*-β^(t-1))；

其中，β^(t)表示第t次迭代時的稀疏系數，η^(t)表示迭代步長，取值范圍為[0,1]；

7)重建樣本均值圖像：并令t＝t+1；

判斷是否滿足收斂條件||P^(t)-P^(t-1)||₂/||P^(t-1)||₂＜σ或達到最大迭代次數，若滿足，則以當前最優稀疏系數計算待識別圖像屬于訓練樣本圖像中的哪一類，完成人臉識別；若不滿足，則返回3)。

2.根據權利要求1所述的方法，其特征在于，所述對高頻子圖像提取PCA特征前，采用Butterworth高通濾波器進行濾波處理。

3.根據權利要求1所述的方法，其特征在于，對步驟2獲得的高頻子圖像和低頻子圖像進行直方圖均衡化處理后的圖像的總體散布矩陣進行PCA特征提取。