[發明專利]基于鏡像圖的LRC和CRC偏差結合的人臉識別方法

在審

• 申請號: 201810004996.1
• 申請日: 2018-01-03
• 公開（公告）號: CN108197573A
• 公開（公告）日: 2018-06-22
• 發明（設計）人: 石蘭芳;周杰;周先春
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 江蘇愛信律師事務所 32241
• 代理人: 唐小紅

本發明公開了鏡像圖與LRC和CRC偏差結合的人臉識別方法。該方法首先生成一種虛擬的人臉圖像(鏡像人臉)，再通過融合原始人臉和鏡像人臉去形成新的混合訓練樣本，最后利用LRC和CRC偏差結合進行人臉識別。該方法增加了訓練樣本的數目，克服由于光照和姿態等外部因素帶來的影響，提高了人臉識別的準確性。

技術領域

本發明屬于圖像處理技術領域，涉及人臉識別方法，尤其涉及一種基于鏡像圖的LRC和CRC偏差結合的人臉識別方法。

背景技術

人臉識別是近年來模式識別、圖像處理、機器視覺、神經網絡以及認知科學等領域研究的熱點課題之一，導致越來越多的算法應用于人臉識別，例如主成分分析法(principal component analysis,PCA)，將人臉圖片轉換為特征子空間，降低特征維數的同時增大特征間的方差；線性判別分析(linear discriminant analysis,LDA)則使變換后的特征在增大類間的距離同時減少類內的距離。

作為簡單高效的經典算法PCA和LDA，在很大程度上提高了人臉識別率，但是人臉在實際環境中，伴隨著各種不可預知的情況，會呈現出復雜多變的特性，由此會影響人臉識別的準確性。所以Wright等提出稀疏表示分類(sparse representation classification,SRC)人臉識別方法，此方法使用所有訓練樣本的線性組合去“稀疏”的表示和分類測試樣本，這里的“稀疏”意味著線性組合的系數可能為零，稀疏表現程度的系數能夠用l₁范數的系數向量來進行評估，范數越小說明稀疏性越強。但是基于l₁范數的表示方法運算復雜，又提出了基于l₂范數的表示方法，如協作表示分類方法(collaborative representationclassification,CRC)。典型的基于l₂范數的表示方法還包括擴展到特征空間和CRC復雜空間和兩步測試樣本稀疏表示方法(Two-Phase Test Sample Sparse Representation,TPTSSR)，這些方法都是通過所有訓練樣本線性組合來表示測試樣本的。還有一種也是基于l₂范數的線性回歸分類方法(linear regression classification，LRC)，但是它是用每一類的訓練樣本線性組合來表示測試樣本。

本發明針對光照和姿態等外部因素影響帶來的問題，提出了一種基于鏡像圖的LRC和CRC偏差結合的人臉識別方法。該方法在新訓練樣本集的基礎上，然后通過LRC和CRC得到的偏差進行歸一化處理，將歸一化處理的結果通過控制函數進行結合從而提高人臉識別的準確性。

發明內容

本發明所要解決的技術問題是針對光照和姿態等外部因素帶來的影響，提供一種基于鏡像圖的LRC和CRC偏差結合的人臉識別方法。

本發明為解決上述技術問題采用以下技術方案：

基于鏡像圖的LRC和CRC偏差結合的人臉識別方法，包含以下步驟：

步驟1)，對原始訓練樣本s₁,s₂,...,s_M使用鏡像方法得到鏡像訓練樣本，將兩者集合組成生成新的訓練樣本集T_s；

步驟2)，將訓練樣本集T_s通過LRC方法得到每一類測試樣本與重構圖像的偏差d_i；

步驟3)，將訓練樣本集T_s通過CRC方法得到每一類測試樣本與重構圖像的正則化偏差r_i；

步驟4)，將步驟2和步驟3得到的偏差分別進行歸一化處理得到各自新的偏差d′_i和r′_i；

步驟5)，將步驟4得到的結果進行結合運算從而將測試樣本分類；