[發(fā)明專利]一種改進(jìn)的增量非負(fù)矩陣分解人臉識別算法

在審

• 申請?zhí)枺?/td>: 201910289072.5
• 申請日: 2019-04-11
• 公開（公告）號: CN110059606A
• 公開（公告）日: 2019-07-26
• 發(fā)明（設(shè)計）人: 伊力哈木·亞爾買買提
• 申請（專利權(quán)）人: 新疆大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 北京方圓嘉禾知識產(chǎn)權(quán)代理有限公司 11385
• 代理人: 董芙蓉

本發(fā)明公開了一種改進(jìn)的增量非負(fù)矩陣分解人臉識別算法，該算法采用中心對稱的局部二階微分模式(CS?LDP)算法和改進(jìn)的增量非負(fù)矩陣分解(IINMF)算法分別提取其人臉面部圖像的表征向量，并利用典型相關(guān)分析(CCA)將其上述兩種算法所提出來的人臉表征向量進(jìn)行融合，得到最終的人臉面部圖像特征。實(shí)驗(yàn)證明，提出的算法能夠在非均勻關(guān)照具有很好地提取人臉特征，擁有很高的識別率，穩(wěn)定的實(shí)時性和魯棒性。

技術(shù)領(lǐng)域

本發(fā)明屬于人臉面部識別技術(shù)領(lǐng)域，涉及一種改進(jìn)的增量非負(fù)矩陣分解人臉識別算法。

背景技術(shù)

人臉面部識別是一種基于人臉面部圖像特征進(jìn)行身份辨認(rèn)技術(shù)，作為一種生物信息認(rèn)證智能技術(shù)，已廣泛應(yīng)用于計算機(jī)視覺和模式識別等領(lǐng)域，比如身份識別、安全監(jiān)控、電子商務(wù)等。人臉面部識別技術(shù)一貫是學(xué)者們探究的熱門課題。但是大多數(shù)現(xiàn)有的面部識別技術(shù)僅在理想的情況下能夠獲得較好的結(jié)果，例如均勻光照，表情和姿勢的微小變化，且沒有遮擋下。但在實(shí)際應(yīng)用中，很難保證其終端可以固定不動，導(dǎo)致很難保證理想的成像條件問題。因此，非理想條件下的人臉面部辨識方法已變成移動身份識別中需要解決的問題。特別是在非均勻光照下的人臉識別研究，依然是當(dāng)前挑戰(zhàn)和熱點(diǎn)之一在人臉識別技術(shù)研究中。

近年來，人臉面部識別算法主要包括傳統(tǒng)的局部二值模式(LBP)算法、傳統(tǒng)增量非負(fù)矩陣分解(INMF)算法、SIFT特征算法、LDP算法等特征提取算法。這些算法雖然可以在一定程度上改善人臉辨識效果，但仍然會有一定的缺陷。傳統(tǒng)的LBP對灰度和旋轉(zhuǎn)具有不變性，為一種有效的非全局紋理描述算子，但過分依賴于中心點(diǎn)像素的灰度值，且對其一致的光照變化不敏感；傳統(tǒng)增量非負(fù)矩陣分解(INMF)算法雖然有效地避免了向基矩陣添加新的人臉面部圖像訓(xùn)練樣本后的重新運(yùn)算問題，但基于缺乏利用初始訓(xùn)練樣本和新增訓(xùn)練樣本的類別信息而導(dǎo)致判別力失效，從而影響到整個人臉面部識別分類的準(zhǔn)確性；SIFT算法具有尺度不變性，可在圖像中檢測出關(guān)鍵點(diǎn)，是一種局部特征描述子，但是該算法特征對于尺度，旋轉(zhuǎn)和仿射變換都具有不變性，且計算時間過于冗長，導(dǎo)致難以達(dá)到實(shí)時性要求；LDP算法雖然對噪聲的魯棒性好，可是LDP編碼值很難反應(yīng)出中心像素的局部表征向量。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種改進(jìn)的增量非負(fù)矩陣分解人臉識別算法。該方法是一種中心對稱的局部二階微分模式(CS-LDP)與改進(jìn)增量非負(fù)矩陣分解(IINMF)相融合的算法。該算法采用中心對稱的局部二階微分模式(CS-LDP)算法和改進(jìn)的增量非負(fù)矩陣分解(IINMF)算法分別提取其人臉面部圖像的表征向量，并利用典型相關(guān)分析(CCA)將其上述兩種算法所提出來的人臉表征向量進(jìn)行融合，得到最終的人臉面部圖像特征。

其具體技術(shù)方案為：

一種改進(jìn)的增量非負(fù)矩陣分解人臉識別算法，包括以下步驟：

(1)隨機(jī)選擇人臉面部圖像中n幅圖像當(dāng)為訓(xùn)練樣本，除此之外為測試樣本人臉面部圖像；將每幅人臉原始面部圖像進(jìn)行劃分并分成相等大小的塊以便于特征提取；

(2)將分塊之后的每個訓(xùn)練樣本子圖像提取CS-LDP的特征向量用表示，然后將每個人臉圖像的所有分塊子圖像的直方圖連接在一起，并用表示。

(3)提取改進(jìn)增量式非負(fù)矩陣分解(IINMF)用表示，然后將每一幅圖的所有分塊子圖像的特征向量連接在一起用表示。

(4)利用公式的特征融合策略將CS-LDP的直方圖特征與改進(jìn)增量式非負(fù)矩陣分解(IINMF)直方圖特征進(jìn)行融合，得到最終的融合特征Z。

(5)利用最近鄰分類器進(jìn)行分類識別。

含義：CS-LDP：中心對稱局部二階微分模式

中心對稱局部二階微分模式提取的人臉圖像特征向量；

利用中心對稱局部二階微分模式提取的人臉圖像特征向量中的每個人臉圖像的所有分塊子圖像的直方圖集合；