[發明專利]一種基于人臉局部約束編碼校準識別方法

有效

• 申請號: 201810506015.3
• 申請日: 2018-05-24
• 公開（公告）號: CN108805179B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 傅予力;肖蕓榕;吳小思;張隆琴;向友君
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V10/772
• 分類號: G06V10/772;G06V40/16
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.一種基于人臉局部約束編碼校準識別方法，其特征在于，所述的識別方法包括下列步驟：

S1、輸入訓練集，構建由g個人共n個的訓練圖像組成的字典：

其中A的每一列是一個經過調整得到的m維訓練圖像，A_i表示由第i個人的訓練圖像構成的子字典；

S2、獲取失配準的待識別人臉圖像y作為測試樣本，其中，y為一個m＝w×h維的列向量，

S3、初始化重構誤差e＝y-m_A，其中，m_A是所有訓練人臉圖像的平均臉，進而初始化誤差權重矩陣W_t，誤差權重矩陣W_t的第i個對角線元素W_ti,i通過下面式子求得：

其中e_t＝y°τ_t-Ax_t是通過當前校準參數τ_t對待識別圖像y進行校準后利用全局字典A進行表示對應的重構誤差，e_ti表示A_i對應的類對待識別圖像y校準后的重構誤差，ι和分別是控制衰減率和分界點位置的兩個參數；

S4、對測試樣本進行基于加權重構誤差的局部約束編碼，采用從粗到精的搜索策略；

S5、更新校準結果，即更新校準參數、權重誤差矩陣以及局部約束表示系數；

S6、判斷校準結果局部約束向量d是否收斂或達到最大迭代次數：若收斂或達到最大的迭代次數，輸出最終校準識別結果；若不收斂或未達到最大的迭代次數，則返回步驟S4繼續執行；

其中，所述的步驟S4中精搜索過程：

通過粗搜索階段挑選出的R個人的訓練圖像組成新字典

A_φ＝[A₁,A₂,…,A_R]，來校準待識別圖像，即需要求解下式：

重新計算重構誤差，即利用更新的最優的誤差權重矩陣W₂，以及在該權重下最優的校準參數τ₂和最優的表示系數x₂，然后，通過求得的校準參數τ₂校準待識別圖像y，并分別利用每個人的訓練圖像生成重構圖像計算每個人的重構圖像與校準好的待識別圖像之間的誤差

選擇重構誤差最小的人作為原來待識別圖像y的識別結果，完成整個識別過程：

其中，H為粗搜索階段所挑選出的R個人的下標經重新排列后的集合。

2.根據權利要求1所述的一種基于人臉局部約束編碼校準識別方法，其特征在于，所述的步驟S4中粗搜索過程如下：

根據當前校準參數τ_t，對待識別圖像進行校準，并計算局部約束向量d：

d_i←max(d)-d_i

其中d_i表示向量d中的第i列，τ表示空間變換的變換參數，而°表示利用τ進行的某種非線性變換，通過求解下式，更新校準參數τ、權重誤差矩陣W以及局部約束表示系數x：

其中W_t,x_t,τ_t表示迭代了第t次之后的更新校準參數、權重誤差以及局部約束表示系數，⊙是兩個向量之間對應元素分別相乘的操作，d是描述待測圖像與字典中每一個訓練圖像的相關性的局部約束向量，值越大懲罰力度越強，向量表示利用字典對待測圖像進行編碼得到的表示系數；

利用最終的校準參數對待識別圖像進行校準，并分別利用每個人的訓練圖像生成重構圖像，計算每個人的重構圖像與校準好的待識別圖像之間的誤差：

選擇誤差最小的R個人的訓練圖像構成一個更小的字典：

A_φ＝[A₁,A₂,…,A_R]。