[發(fā)明專利]一種快速協(xié)同表示人臉分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710233148.3
• 申請(qǐng)日: 2017-04-11
• 公開（公告）號(hào): CN107066964B
• 公開（公告）日: 2019-07-02
• 發(fā)明（設(shè)計(jì)）人: 宋佳穎;宋曉寧;那天
• 申請(qǐng)（專利權(quán)）人: 宋佳穎
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 李曉靜

本發(fā)明公開了一種快速協(xié)同表示人臉分類方法，該方法：獲取所有待測(cè)人員的若干臉部圖像，組成訓(xùn)練樣本集和測(cè)試樣本集；將訓(xùn)練樣本集投射到PCA子空間，得到該樣本集的特征臉集；用特征臉以及類內(nèi)變量字典共同線性表示測(cè)試樣本；在字典空間中通過l₂范式迭代計(jì)算初始字典系數(shù)，隨后二次引入l₁范式完成系數(shù)的精確優(yōu)化；將重構(gòu)測(cè)試樣本PCA系數(shù)和降維樣本投射到LDA子空間，分別得到重構(gòu)測(cè)試樣本和訓(xùn)練樣本的LDA系數(shù)；選取與測(cè)試樣本最小重構(gòu)誤差的類別作為人臉測(cè)試樣本的最終候選類別。本發(fā)明不僅有效剔除了訓(xùn)練樣本與測(cè)試樣本間的信息冗余，提高了人臉識(shí)別精度，而且大幅降低了傳統(tǒng)表示分類優(yōu)化方法的時(shí)間開銷，具有較好的通用性和魯棒性。

技術(shù)領(lǐng)域

本發(fā)明公開了一種快速協(xié)同表示人臉分類方法，涉及到表示學(xué)習(xí)，字典優(yōu)化以及數(shù)據(jù)降維技術(shù)。具體說來包括類內(nèi)變量字典的構(gòu)造、PCA降維、二次稀疏協(xié)同優(yōu)化以及LDA鑒別重構(gòu)誤差評(píng)估；屬于圖像處理和模式識(shí)別的技術(shù)領(lǐng)域。

背景技術(shù)

人臉識(shí)別(FR)是模式識(shí)別、計(jì)算機(jī)視覺和生物識(shí)別技術(shù)中最熱門的研究領(lǐng)域之一。但是它時(shí)常受諸多因素，例如：姿勢(shì)、表情、光照以及遮擋等影響。此外，并不是所有采集得到的高維數(shù)據(jù)對(duì)分類都起作用，為獲得高效的人臉識(shí)別性能，研究者近年提出了各種經(jīng)典的降維方法，例如：主元分析(PCA)、線性判別分析(LDA)、拉普拉斯特征映射、局部保持映射(LPP)、局部線性嵌入(LLE)等，從而取得了在降維統(tǒng)計(jì)學(xué)習(xí)模型中的巨大成功。在這些典型的特征變換方法中，PCA是一種無(wú)監(jiān)督的線性降維方法，它的目標(biāo)是通過某種線性投影，將高維數(shù)據(jù)映射到低維空間，并期望在所投影的維度上達(dá)到數(shù)據(jù)方差最大。LDA是一種有監(jiān)督的線性降維算法，它通過尋找投影向量將數(shù)據(jù)降維，同時(shí)保證不同類別的數(shù)據(jù)盡可能的分開，同類的數(shù)據(jù)盡可能的聚合。因此，上述這些轉(zhuǎn)換方法在將數(shù)據(jù)投射到新的子空間時(shí)都具備某些自身重要的特性。

與此同時(shí)，近年出現(xiàn)的稀疏表示分類方法(SRC)由于其簡(jiǎn)潔的理論結(jié)構(gòu)和大量成功的應(yīng)用實(shí)例，也引發(fā)了各國(guó)研究者的重點(diǎn)關(guān)注。SRC的目的在于，從大量不同對(duì)象構(gòu)成的字典中選出少量的訓(xùn)練樣本，來重構(gòu)表示一個(gè)新的對(duì)象。為了實(shí)現(xiàn)這一目標(biāo)，SRC在目標(biāo)函數(shù)中使用l₁范式約束以獲得稀疏向量。但在實(shí)際應(yīng)用中，每類訓(xùn)練樣本往往沒有足夠的甚至只有一個(gè)樣本數(shù)據(jù)，導(dǎo)致SRC算法效果不佳，這就是著名的小樣本問題。為此，一些字典學(xué)習(xí)方法被提出用來提高SRC的性能。例如，Deng通過構(gòu)造類內(nèi)變量字典提出一個(gè)擴(kuò)展的SRC方法(ESRC)解決了單訓(xùn)練樣本下的人臉表示優(yōu)化問題。Yang和Zhu在協(xié)同表達(dá)分類(CRC)中引入特征的相似性與辨別性，獲得一個(gè)更一般的模型。Song根據(jù)人臉表達(dá)分類模型設(shè)計(jì)出半臉字典集成算法，該方法在量化集成學(xué)習(xí)原子時(shí)，成功構(gòu)造出雙列(行)半臉的訓(xùn)練矩陣，這種虛擬人臉已被證實(shí)有利于人臉識(shí)別。

目前，關(guān)于SRC的研究主要集中在提高稀疏表示能力和分類性能兩方面，對(duì)于如何解決稀疏分解過程中的降維優(yōu)化問題以提高算法時(shí)間復(fù)雜度卻少有研究。傳統(tǒng)的SRC方法利用高維數(shù)據(jù)構(gòu)造單一范式的優(yōu)化模型進(jìn)行圖像分類，忽視了測(cè)試樣本與訓(xùn)練樣本間的信息冗余，導(dǎo)致不確定性的決策分類。

發(fā)明目的

在訓(xùn)練樣本不足的情況下，針對(duì)傳統(tǒng)表示學(xué)習(xí)優(yōu)化方法在解決高維原始數(shù)據(jù)重構(gòu)的過程中忽視樣本間的信息冗余和缺乏鑒別性的問題，同時(shí)為避免利用l₁范式求解最小化問題所導(dǎo)致的極大時(shí)間開銷等缺陷，提出一種快速協(xié)同表示人臉分類方法，該方法在建立數(shù)據(jù)降維模型后，通過設(shè)計(jì)基于混合范式的二次優(yōu)化策略獲得更加魯棒的稀疏系數(shù)向量，從而加快優(yōu)化速度，并提高人臉識(shí)別精度。

發(fā)明內(nèi)容

技術(shù)方案：一種快速協(xié)同表示人臉分類方法，包括如下步驟：

(a)獲取所有待檢測(cè)人員臉部圖像，且每個(gè)檢測(cè)人員在不同光照、表情以及遮擋環(huán)境下都拍攝若干張圖像，一個(gè)檢測(cè)人員的所有臉部圖像代表一類，從而將所有檢測(cè)人員的臉部圖像組合成為樣本數(shù)據(jù)集；