[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

本發明公開了一種基于人臉局部約束編碼校準識別方法，包括：輸入訓練集，構建字典；獲取失配準的待識別人臉圖像作為測試樣本；初始化誤差權重；對測試樣本圖像進行基于加權重構誤差的局部約束編碼；更新校準結果；判斷更新后的校準結果是否收斂或達到最大迭代次數；若收斂或達到最大迭代次數，則輸出最終的校準結果，若不收斂或未達到最大迭代次數，則更新誤差權重之后再次進行基于加權重構誤差的局部約束編碼，直至收斂或達到最大迭代次數。該方法對表示系數進行局部約束，并采用加權l₂范數的正則項約束重構誤差，使得校準和識別結果更注重于非遮擋區域。該方法能適應不同的現實場景，對于遮擋和非遮擋場景都能快速完成人臉校準和識別。

技術領域

本發明涉及計算機視覺和模式識別技術領域，具體涉及一種基于人臉局部約束編碼校準識別方法。

背景技術

近年來，人臉識別是計算機視覺和模式識別領域的熱點研究問題之一，由于稀疏表示分類器(Sparse Representation-based classification,簡稱SRC)方法的提出，稀疏表示在理論和實踐中有了較大突破，在分類效果和計算復雜度都有顯著優勢。實驗證明基于稀疏表示的人臉識別算法比傳統的人臉識別算法無論在識別率還是算法效率上都有很大的優勢，因為稀疏表示人臉識別有個比較嚴格的限制條件，即必須經過人臉圖像對齊，否則很難滿足其稀疏性，所以人臉校準是人臉識別中較為關鍵的一步，而遮擋問題由于其多樣性，成為人臉校準識別領域中的一個重點和難點問題。

過去的一些人臉校準算法在處理帶遮擋的人臉校準問題時存在著一些問題，MRR需要SVD來提取全局字典的主成分來代替原字典，一方面，在字典規模很大的時候SVD既費時又耗內存，也在一定程度上影響了校準的準確度。MRLR算法考慮解決的是無遮擋情況下的人臉校準問題，所提出的基于分塊矩陣的優化加速算法也依賴于無遮擋框架，因此無法很好的解決遮擋情況下的人臉校準問題。總的來說雖然已有的一些人類校準方法已經取得了較好的實驗效果，但是由于人臉識別問題在現實場景中的復雜性，尤其在人臉被遮擋的情景下，MRR和MRLR算法仍然存在很多的局限性，導致人臉校準任務的失敗。

通過觀察實際生活中校準人臉的過程，可以發現，不同人之間的人臉相似性對于人臉校準的問題其實是有很大幫助的，人類在校準帶遮擋的人臉時依賴大量的人臉數據形成的先驗知識和經驗，更多的是依靠人臉而非遮擋物，也就是關注重心更多的在于人臉，因此如果對像素加權，使得遮擋部分的像素點權重較小，更有利于人臉校準以及后續識別。

發明內容

本發明的目的是為了解決現有技術中的上述缺陷，提出一種基于加權重構誤差的局部約束編碼人臉校準識別的方法，目的在于增強現有人臉校準識別技術的魯棒性，更好的適應復雜的現實場景，提高人臉校準速度，更好地進行人臉識別。

本發明的目的可以通過采取如下技術方案達到：

一種基于人臉局部約束編碼校準識別方法，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個對角線元素通過下面式子求得：