[發(fā)明專利]一種消除局部遮擋物影響的人臉識別方法

在審

• 申請?zhí)枺?/td>: 201710715947.4
• 申請日: 2017-08-21
• 公開（公告）號: CN107463920A
• 公開（公告）日: 2017-12-12
• 發(fā)明（設(shè)計）人: 王世剛;王婷;李木子;趙巖;韋健
• 申請（專利權(quán)）人: 吉林大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 長春吉大專利代理有限責任公司22201
• 代理人: 邵銘康,朱世林

1.一種消除局部遮擋物影響的人臉識別方法，其特征在于包括下列步驟：

1.1選擇AR人臉數(shù)據(jù)庫，并由不同目標、包括墨鏡和圍巾的不同遮擋物組成本實驗的人臉數(shù)據(jù)庫；

1.2圖像的預(yù)處理：從AR人臉數(shù)據(jù)庫中選擇無遮擋物的人臉圖像作為訓練樣本，其余有墨鏡和圍巾遮擋物的人臉圖像作為測試樣本，讀取人臉圖像訓練樣本X_i(i＝1,2,…,m),其中m為樣本的類別數(shù)量；

1.2.1首先將訓練樣本圖像分割為眼睛和嘴巴兩部分；其次，對分割出來的兩部分進行圖像校正；然后，將兩部分局部特征進行PCA數(shù)據(jù)降維：

計算訓練樣本X_i總的均值向量為：以及總體散度矩陣：

St=1mΣi=1m(Xi-u)(Xi-u)T;]]>

利用S_t計算其特征值為λ＝λ₁,λ₂,…,λ_m，以及對應(yīng)的特征向量為將特征值排序λ₁≥λ₂≥…≥λ_m≥0，同時將對應(yīng)的特征向量也進行排序，并選擇前r(r＜＜m)個特征值所對應(yīng)的特征向量構(gòu)成特征子空間，即最優(yōu)投影矩陣；任何一張人臉局部圖像都可以在最優(yōu)投影矩陣中做投影并獲得一組投影系數(shù)：投影系數(shù)作為人臉局部圖像初步識別的依據(jù)；

1.3建立BP神經(jīng)網(wǎng)絡(luò)模型，確定神經(jīng)網(wǎng)絡(luò)各項參數(shù)，包括網(wǎng)絡(luò)的隱藏層數(shù)為2，節(jié)點數(shù)分別為60和15；選取為Sigmoid網(wǎng)絡(luò)激發(fā)函數(shù)；設(shè)定最大迭代次數(shù)為5000；網(wǎng)絡(luò)學習率為0.85；網(wǎng)絡(luò)目標誤差為1×10-4；根據(jù)BP神經(jīng)網(wǎng)絡(luò)初步識別人臉的范圍：將步驟1.2.1圖像預(yù)處理得到的最優(yōu)投影矩陣作為神經(jīng)網(wǎng)絡(luò)的輸入，輸入和輸出層的節(jié)點個數(shù)分別為r和m；

1.3.1給定訓練樣本的輸入和輸出，確定網(wǎng)絡(luò)的預(yù)測輸出：

若ω_ji(t)表示第i個輸入節(jié)點和第j個隱藏節(jié)點經(jīng)過t次權(quán)值調(diào)整的連接權(quán)重，第j個隱藏層的節(jié)點輸入h_ji和輸出u_j為：

其中：θ_j表示為隱藏和輸出節(jié)點的閾值；

若ω_kj(t)表示第j個隱藏節(jié)點和第k個輸出節(jié)點經(jīng)過t次權(quán)值調(diào)整的連接權(quán)重，第j個隱藏層的節(jié)點輸入h_ji和輸出u_j為：

yk=f(ykj)=f[Σj=1nωkjuj-θk],k=(1,2,...,m)]]>

其中：θ_k表示為隱藏和輸出節(jié)點的閾值；

f是激勵函數(shù)，采用Sigmoid型，即

1.3.2將網(wǎng)絡(luò)的總目標函數(shù)J作為對網(wǎng)絡(luò)學習狀況的評價：J(t)＝ΣE(t)

其中：E為訓練樣本輸入網(wǎng)絡(luò)的目標函數(shù)，對J進行判斷，當J小于預(yù)先設(shè)定的值，訓練結(jié)束，否則，重新訓練；

1.4待測圖像進行初步識別：從測試樣本中隨機選取待測圖像，將待測圖像分割為遮擋部分和未遮擋部分，對未遮擋部分進行PCA數(shù)據(jù)降維，輸入步驟1.3訓練好的BP神經(jīng)網(wǎng)絡(luò)中，輸出人臉空間圖，根據(jù)統(tǒng)計學概率選擇人臉空間圖的前五個概率值對應(yīng)的人臉圖像，得到初步識別的人臉圖像；

1.5基于RGB空間的三色通道融合，根據(jù)步驟1.4初步識別的人臉圖像與待測圖像遮擋部分在RGB空間進行融合，對遮擋區(qū)域進行重建：

X^=P2R1′+P2G2′+P2B2′]]>

其中：R′₁表示步驟1.4待測圖像R分量的主要特征；G'₂和B'₂分別表示初步識別的人臉圖像G分量和B分量的主要特征，P₂＝(p₁,p₂,p₃)表示初步識別的人臉圖像的特征向量；

1.6對融合圖像用線性判別分析法LDA進行特征向量提取，找到一個最大化類間散度S_b與類內(nèi)散度S_w之比的投影：

1.6.1根據(jù)公式(1)、(2)得到類間散布矩陣S_b和類內(nèi)散布矩陣S_w：

Sb=Σm=1mΣn=1n(xn-um)(xn-um)T---(1)]]>

Sw=Σm=1mΣn=1n(u0-ui)(u0-ui)T---(2)]]>

1.6.2首先使用PCA方法對融合圖像進行降維，根據(jù)公式(1)、(2)和(3)進行系數(shù)提取，再使用線性判別分析法LDA進行特征提取，進行人臉識別：

ψ＝ψ_ldaψ_pca(3)

ψpca=argmaxψ|ψTStψ|---(4)]]>

ψlda=argmaxψ|ψTψpcaTSwψpcaψψTψpcaTSbψpcaψ|---(5)]]>

其中：S_t是總體散度矩陣；

1.6.3當S_w是非奇異矩陣,通過解決廣義特征值問題得到:

S_wψ_m＝λ_mS_bψ_m,m＝1,2,...,M-1

1.7將融合圖像投影到最優(yōu)投影矩陣中，計算融合圖像與訓練樣本在最優(yōu)投影矩陣的歐氏距離：

d(x,y)=Σm(X^-Xi)2---(6)]]>

根據(jù)最鄰近分類器(KNN)對人臉圖像進行識別，KNN識別函數(shù)：

g(x)=min||X^-Xi||---(7).]]> 2