[發明專利]一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法

在審

• 申請號: 201911118423.2
• 申請日: 2019-11-15
• 公開（公告）號: CN110889345A
• 公開（公告）日: 2020-03-17
• 發明（設計）人: 陶洋;孫雨浩;胡昊;鮑靈浪;郭坦
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法，屬于模式識別領域。本方法針對訓練樣本和測試樣本均受到嚴重的噪聲污染的人臉識別問題提出解決方法。首先通過在低秩矩陣恢復中引入結構非相關性約束，從被污損的訓練樣本中恢復出干凈的訓練樣本，然后通過學習原始污損數據與干凈的低秩數據的低秩投影矩陣，將受污損的測試樣本投影到相應的底層子空間來進行修正。最后，利用CRC對測試樣本圖像進行分類，獲取識別結果。本方法不僅可以恢復出具有更強判別信息的干凈人臉圖像，而且還可以保持原始數據的局部幾何結構，大大提高了遮擋人臉圖像的識別率，具有更好的識別性能，使得在現實世界應用中的遮擋人臉識別更實用。

技術領域

本發明屬于模式識別和生物特征識別技術領域，主要是涉及一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法。

背景技術

近年來，隨著科技的發展，人臉識別技術成為模式識別領域的研究熱點，也是生物特征識別領域的重要組成部分，被廣泛地應用在社會各個領域。雖然目前人臉識別技術已經取得了長足的進展，但是在現實應用中仍然面臨著巨大的挑戰。一般人臉識別都要求訓練樣本不受噪聲污染，即前提條件是這些識別的方法都是基于單一樣本的單一個體的圖像位于同一低秩子空間，但是現實場景中，通常都會受到比如姿勢、光照、表情變化以及遮擋的各種影響。

在測試和訓練樣本圖像沒有受到影響的情況下，稀疏表示的分類(SparseRepresentation Classification，SRC)算法的識別性能較好，否則識別性能就會明顯降低。為了提高SRC的性能，Wright等人提出了魯棒SRC(Robust SRC，RSRC)模型，然而，由于l₁范數最小化和單位遮擋字典中存在大量的原子，使得SRC方案在計算上代價很高?；诖耍珼eng等人提出一種擴展稀疏表示(Extended Sparse Representation Classification，ESRC)算法，該方法用訓練樣本減去其對應的類均值得到誤差字典，取得了較好的稀疏表示結果。但是由于遮擋字典也不能很好描述圖像的污損以及還需要針對l₁范數進行相應的優化等。

針對此問題，眾多學者都在關注如何提高l₁范數的計算速度，卻忽略了表示的協作性。協作性即由于不同人的面部圖像具有相似性，若第i個人與第j個人的圖像很相似，那么第j類的訓樓樣本可以用于表示來自第i類的測試樣本。Zhang等人根據上述思想，提出了協作表示分類的方法(Collaborative Representation Classification,CRC)。CRC在計算協作表示系數時，放松對稀疏性的要求，重點關注表示樣本的協作性，用l₂范數代替l₁范數，提高了人臉識別的魯棒性，而且大大降低了復雜度。

如果所有的訓練樣本都得到很好的控制，即在合理的姿態和光照下，沒有噪聲污染和遮擋，CRC對有污損和遮擋的測試樣本具有很強的魯棒性，實現了較高的人臉識別精度。但是，當測試樣本和訓練樣本都被遮擋或者污損時，CRC的性能也會下降。Candès等人提出的魯棒主成分分析(Robust Principal ComponentAnalysis,RPCA)，該方法假設所有數據都在一個子空間中，然后從污損的數據矩陣中恢復一個低秩數據矩陣。但是當數據樣本來自多個子空間時，此方法性能也達不到理想的效果；Liu等人提出了低秩表示(Low-rankRepresentati-，on,LRR)算法，不僅可以在測試樣本和訓練樣本均受到污染的情況下有效恢復出“干凈”的人臉圖像和誤差圖像，還在一定程度上解決了訓練樣本來自不同子空間的問題。

近幾年很多文獻顯示，低秩矩陣恢復的方法從不同的角度被運用在圖像分類領域。胡正平等利用得到低秩和誤差矩陣后，使用這兩個矩陣來表達測試樣本。杜海順等也利用LRR對訓練數據進行恢復，提出了基于低秩恢復稀疏表示分類算法。何林知等利用RPCA算法對訓練樣本進行低秩恢復后，使用協同表示分類方法對測試樣本進行識別。