[發明專利]基于虛擬樣本和協同表示的人臉特征提取方法

在審

• 申請號: 202010960796.0
• 申請日: 2020-09-14
• 公開（公告）號: CN112101193A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 彭亞麗;王旭寧;張軍偉;劉侍剛
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安永生專利代理有限責任公司 61201
• 代理人: 申忠才

一種基于虛擬樣本和協同表示的人臉特征提取方法，由圖像預處理、構建虛擬樣本V和W、劃分數據集、確定字典B、確定協同重構權向量r_i、保持最優協同重構權向量提取人臉特征步驟組成。在各個步驟中未使用模型參數，提高了本發明的易用性和實用性；本發明根據人臉的對稱性自然地從原始人臉構建包含更多右臉信息和左臉信息的兩個虛擬人臉圖像，將原始圖像與虛擬圖像整合成所需的數據集；使用嶺回歸方法保持這些數據集的協同重構關系，獲得最優的鄰接權重矩陣；尋找投影，依然保持低維嵌入子空間的最優協同重構權向量。本發明具有識別精確度高、應用領域廣、實用性強等優點，可用于身份認證的人臉識別技術領域。

技術領域

本發明屬于圖像處理技術領域，具體涉及結合增加的虛擬樣本和協同表示的人臉特征提取方法。

背景技術

隨著人工智能大數據技術的飛速發展，人們對國家公共安全、社會信息安全開始有著更高的要求。人臉識別技術也應用而生，其人臉獨特的生物學特性，被廣泛用于身份認證的重要場合。在真實的人臉識別系統中，由于人臉圖像采集過程中受環境干擾較大，將會損害圖像的質量和數量，使得人臉識別成為小樣本問題。人臉圖像通常具有較高的維度，包含太多冗余信息，最終導致穩定執行分類存在一定困難。

經典的無監督特征提取技術，如PCA用于流行學習時線性地嵌入周圍空間，無法發現非線性的基本數據結構。局部保持投影(LPP)是非線性LaplacianEigenmap的線性近似。鄰域保留嵌入(NPE)和局部線性嵌入(LLE)是特征空間分析(LEA)的兩個線性化版本；這些方法在實際應用中優于PCA，但面臨選擇鄰域大小以及分配超參數的困難。稀疏保持投影(SPP)可以解決設置參數的問題，卻忽略了不同樣本中人臉數據的共性。以上的這些特征提取方法應用在圖像識別方面都展現出了不錯的效果，但沒有考慮到圖像識別需要豐富的訓練樣本。

協同表示方法是人臉識別領域的重要理論之一，該方法應用于人臉識別能克服以上問題且具有較好的魯棒性，該方法存在的主要問題是求解協同編碼問題時，很難獲得最合適的解，使得在實際應用時受到限制。

在人臉識別技術領域，當前需迫切解決的一個技術問題是提供一種能更好地求解協同編碼、緩解小樣本問題、識別率高的人臉特征提取方法。

發明內容

本發明所要解決的技術問題在于克服上述現有技術的缺點，提供一種能更好地求解協同編碼、緩解小樣本問題、識別率高的基于虛擬樣本和協同表示的人臉特征提取方法。

解決上述技術問題所采用的技術方案是由下述步驟組成：

(1)圖像預處理

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

(2)構建虛擬樣本V和W

1)確定人臉圖像的初始值

一張原始人臉圖像矩陣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，x_j為圖像矩陣X的每一列，j∈[1,N]，其中N為32或40；

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：