[發(fā)明專利]基于虛擬樣本和協(xié)同表示的人臉特征提取方法

在審

• 申請?zhí)枺?/td>: 202010960796.0
• 申請日: 2020-09-14
• 公開（公告）號(hào): CN112101193A
• 公開（公告）日: 2020-12-18
• 發(fā)明（設(shè)計(jì)）人: 彭亞麗;王旭寧;張軍偉;劉侍剛
• 申請（專利權(quán)）人: 陜西師范大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 西安永生專利代理有限責(zé)任公司 61201
• 代理人: 申忠才

1.一種基于虛擬樣本和協(xié)同表示的人臉特征提取方法，其特征在于它是由下述步驟組成：

(1)圖像預(yù)處理

從Yale、FERET、Extened Yale B、ORL圖像數(shù)據(jù)集中分別選取165、1400、2414、400張樣本圖像進(jìn)行灰度值縮放為[0,1]，將所有圖像裁剪成32×32或40×40的圖像；

(2)構(gòu)建虛擬樣本V和W

1)確定人臉圖像的初始值

一張?jiān)既四槇D像矩陣X為：

X＝[x₁,...,x_N/2,x_N/2+1,...,x_N]；

式中N為圖像矩陣X的列數(shù)，x_j為圖像矩陣X的每一列，j∈[1,N]，其中N為偶數(shù)；

按下式分別確定一張人臉圖像的左半臉列向量v的初始值v⁰和右半臉列向量w的初始值w⁰：

將一張人臉圖像的左半臉列向量v反轉(zhuǎn)得到v′和右半臉列向量w反轉(zhuǎn)得到w′，按下式分別確定一張人臉圖像的左半臉列向量反轉(zhuǎn)v′的初始值(v′)⁰和右半臉列向量反轉(zhuǎn)w′的初始值(w′)⁰：

2)設(shè)定目標(biāo)函數(shù)f(v,w′)

采用梯度下降法構(gòu)建第一個(gè)虛擬樣本V如下：

v^t+1＝v^t-η[v^t-(w′)^t] (2)

(w′)^t+1＝(w′)^t-η[(w′)^t-v^t] (3)

式中t為迭代次數(shù)，且t為有限的正整數(shù)，η為學(xué)習(xí)率；

將左半臉列向量v單獨(dú)執(zhí)行3次連續(xù)迭代，在左半臉列向量v與右半臉列向量反轉(zhuǎn)w′之間互相迭代，連接v和w′確定第一個(gè)對稱的虛擬臉V₁，對于整個(gè)數(shù)據(jù)集，得到K張圖像所有的第一個(gè)虛擬樣本V為：

V＝[V₁,V₂,...,V_K]；

式中K為圖像數(shù)據(jù)集中的樣本總數(shù)；

3)設(shè)定目標(biāo)函數(shù)f(v′,w)

采用梯度下降法構(gòu)建第二個(gè)虛擬樣本W(wǎng)如下：

w^t+1＝w^t-η[w^t-(v′)^t] (5)

(v′)^t+1＝(v′)^t-η[(v′)^t-w^t] (6)

將右半臉列向量w單獨(dú)執(zhí)行3次連續(xù)迭代，在左半臉列向量反轉(zhuǎn)v′與右半臉列向量w之間互相迭代，連接v′和w確定第二個(gè)對稱的虛擬臉W₁，對于整個(gè)數(shù)據(jù)集，得到K張圖像所有的第二個(gè)虛擬樣本W(wǎng)為：

W＝[W₁,W₂,...,W_K]；

迭代更新終止條件為||v^t-(w′)^t||＜ε和||(v′)^t-(w)^t||＜ε，ε為0.01；

(3)劃分?jǐn)?shù)據(jù)集

將Yale、FERET、Extened Yale B、ORL圖像數(shù)據(jù)集的每一張圖像擴(kuò)充為3張圖像，從Yale、FERET、Extened Yale B、ORL圖像數(shù)據(jù)集的每一類中分別選取18、12、96、15張圖像作為訓(xùn)練樣本，剩余的圖像作為測試樣本；

(4)確定字典B

設(shè)置一組訓(xùn)練樣本其中X_i為m維列向量，X_i∈R^m且nK，添加對應(yīng)的虛擬樣本V和W到每個(gè)人臉圖像集合中，確定字典B：

B＝[B₁,B₂,...,B_n]

式中B_i為3m維的列向量；

(5)確定協(xié)同重構(gòu)權(quán)向量r_i

用嶺回歸方法確定協(xié)同重構(gòu)權(quán)向量r_i：

式中λ₀為正則化參數(shù)，λ₀∈[1×10^-4,1×10^-1]；

確定所有樣本的協(xié)同重構(gòu)權(quán)重矩陣R：

式中為最優(yōu)協(xié)同重構(gòu)權(quán)向量，i為[1,n]；

(6)保持最優(yōu)協(xié)同重構(gòu)權(quán)向量

按下式確定投影后的目標(biāo)函數(shù)為:

式中a是投影向量；

(7)提取人臉特征

按下式確定最優(yōu)投影向量a:

BR_αB^Ta＝λBB^Ta (10)

式中R_α為R+R^T-R^TR，λ為特征值；通過(10)式廣義特征值問題選出d個(gè)特征值對應(yīng)的投影向量a，d∈[1,m]，m為有限的正整數(shù)，即是特征提取后的人臉圖像；在1-NN分類器上完成人臉識(shí)別。