法律状态公告日
法律状态信息
法律状态
2023-01-24
未缴年费专利权终止 IPC(主分类):G06K 9/00 专利号:ZL2014100466069 申请日:20140210 授权公告日:20170208
专利权的终止
2017-02-08
授权
授权
2014-06-11
实质审查的生效 IPC(主分类):G06K9/00 申请日:20140210
实质审查的生效
2014-05-14
公开
公开
技术领域
本发明属于图像识别技术领域,涉及一种人脸识别方法。
背景技术
人脸识别一直是计算机视觉领域的热门学科,Wright等人提出用基于压缩感知理论的稀疏分类器(SRC) 对人脸进行识别,取得了不错的效果。但是该算法直接利用训练图片作为字典对检测图片进行L1范数约 束的稀疏表示,显然不能充分表征待测人脸图片的特征,且字典的原子数过高增加了编码的复杂度。
于是如何从原始训练样本学习得到最优化字典成为研究的热点方向。目前有很多种用于人脸识别的字 典学习算法:
1.Metaface,KSVD等都是对原始训练样本统一学习得到一个所有类别共同使用的字典。
2.为每一类别学习一个字典,让每个字典尽量独立。
以上提到的两类字典学习方法都是在单一特征空间对原始训练图片进行学习,不能充分利用原训练样 本的特征,泛化能力不好。
发明内容
本发明克服现有技术的上述不足,在改进现有的稀疏分类器的字典学习算法的基础上,提出能够提高 识别准确性的人脸识别方法。本发明的人脸识别方法,在字典学习中,将原始训练样本集合分别在Eigenface, Laplacianface和Gabor特征空间表示形成三个原始子字典OE,OL,OG,然后对三个子字典进行基于遗传算法 的联合学习,使得子字典训练的子分类器达到尽可能小的训练误差,并通过鼓励每两个子分类器有不同的 判定结果,从而尽量避免由于两个分类器都判定错误引起的失败,再利用新的子字典分别训练三个稀疏分 类器对待测样本进行稀疏表示,求对应每一类训练样本的残差的均值,从而可以更为准确滴判断人脸的类 别。为了达到上述目的,本发明的技术方案是:
一种基于多特征空间稀疏分类器的人脸识别方法,包括,
第一步:将原始训练样本{X1…XN}分别投影到Eigenface,Laplacianface和Gabor特征空间形成子字 典OE,OL和OG;
第二步:利用遗传算法对三个子字典进行联合优化训练得到子字典NE,NL,NG;
第三步:分别利用子字典NE,NL,NG训练稀疏分类器SRC,每个稀疏分类器分别对待测样本进行稀疏 表示并求出对应第i类训练样本的残差分别为RiE,RiL,RiG,然后计算对应第i类训练样本的残差的均值 残差均值E[Ri]的最小值对应的类即为待测人脸样本所属类别。
作为优选实施方式,
(1)将原始训练样本{X1…XN}投影到Eigenface特征空间形成子字典OE,在该特征空间投影后的样 本向量表达式为YK=WPCATXK,XK是一个训练样本向量,WPCA即为Eigenface特征空间的基组成的矩阵, 变换后得到的集合{Y1…YK…YN}即为子字典OE;
(2)将原始训练样本{X1…XN}投影到Laplacianface特征空间形成子字典OE,在该特征空间投影后的 样本向量表达式为YK=WTXK,W=WPCAWLPP,WPCA表示先对原始字典进行主向量分析,从而去噪,WLPP为 Laplacianface特征空间的基组成的矩阵,变换后的{Y1…YK…YN}即为子字典OL;
(3)将原始训练样本{X1…XN}投影到Gabor特征空间,即利用Gabor滤波器对每一个原始列向量进行 滤波,从而形成子字典OG。
利用遗传算法对三个子字典进行联合优化训练得到子字典NE,NL,NG的方法如下:
A.根据原始训练样本得到原始子字典OE,OL,OG;
B.初始化染色体S1,1,…,SK,1,为第一代染色体群,直至有K个都满足最小支持度hmsv(Si,g)=1, 即保证算子在每类中挑选出的样本数一定要大于一定比例值ρ,其中
C.计算每个染色体的适应度:
其中,定义运算符
D.挑选出适应度最大的K/2个染色体,移除另外K/2个染色体;
E.取Si1,1和Si2,1进行染色体杂交;
F.取Si3,1进行突变;
G.不断的随机选取该代中的染色体重复E,F过程进行杂交变异,新生成的染色体计算其最小支持度, 合格者加入原来的群中;
H.群中染色体数量不断增加,一旦数量达到K,该群染色体作为下一代群体再次进行C,D过程,并 在此代群中按照要求进行E,F,G过程;
I.如此循环直至产生了第G代染色体,计算第G代中每个染色体的适应度值,取最大值对应的染 色体为最优的选择算子Sopt;
J.将最优的选择算子作用于原始子字典OE,OL,OG,得到最终的优化子字典NE,NL,NG。
本发明具有下列优点:
(1)提供了一种基于多特征空间稀疏分类器的人脸识别方法,效果理想。
(2)将原始训练样本集合分别投影到Eigenface,Laplacianface和Gabor特征空间形成三个原始子字典 OE,OL,OG,三个特征空间的使用既能表征原始图片的整体特征又能表征其局部特征,使得训练的稀疏分类 器更准确地对待测样本进行分类。
(3)对三个子字典进行基于遗传算法的联合学习,使得子字典训练的子分类器达到尽可能小的训练 误差,并避免由于两个分类器都判定错误引起的失败。该字典训练方法能够分别选出每个子字典中最具区 分能力的样本,利用此字典分别训练三个稀疏分类器对待测样本进行稀疏表示,求对应每一类的残差的均 值,从而判断人脸的类别,使得基于使用此字典的稀疏分类器的人脸识别正确率提高。
附图说明
图1是本发明采用的字典训练方法的基本原理示意图。
具体实施方式
为使本发明的目的、实现方案和优点更为清晰,下面对本发明的具体实施作进一步的详细描述,本发 明的具体流程如图1所示。
(1)将原始训练样本{X1…XN}投影到Eigenface特征空间形成子字典OE,在该特征空间投影后的样 本向量表达式为YK=WPCATXK,XK是一个训练样本向量,WPCA即为Eigenface特征空间的基组成的矩阵, 变换后得到的集合{Y1…YK…YN}即为子字典OE。
(2)将原始训练样本{X1…XN}投影到Laplacianface特征空间形成子字典OE,在该特征空间投影后的 样本向量表达式为YK=WTXK,W=WPCAWLPP,WPCA表示先对原始字典进行主向量分析,从而去噪。WLPP为 Laplacianface特征空间的基组成的矩阵,变换后的{Y1…YK…YN}即为子字典OL。
(3)将原始训练样本{X1…XN}投影到Gabor特征空间,即利用Gabor滤波器对每一个原始列向量进行 滤波,从而形成子字典OG。
(4)对特征空间的子字典进行联合训练,联合字典训练的目标函数是
其中
A、根据原始训练样本得到原始子字典OE,OL,OG
B、初始化染色体S1,1,…,SK,1,为第一代染色体群,直至有K个都满足最小支持度hmsv(Si,g)=1, 即保证算子在每类中挑选出的样本数一定要大于一定比例值ρ,其中
C、计算在三个特征空间下每个S的适应度(fitness score)为
D、挑选出适应度最大的K/2个染色体,移除另外K/2个染色体。
E、任意取群中Si1,1和Si2,1进行染色体杂交;
F、任意取群中Si3,1进行突变;
G、不断的选取该代的群中的染色体重复E,F过程进行杂交变异,新生成的染色体计算其最小支持度, 合格者加入原来的群中。
H、群中染色体数量不断增加,一旦数量达到K,该群染色体作为下一代群体再次进行C,D过程,并 在此代的群中按照要求进行E,F,G过程。
I、如此循环直至产生了第G代染色体,计算第G代中每个染色体的适应度值,取最大值对应的染 色体为最优的选择算子Sopt;
J、将最优的选择算子作用于原始子字典OE,OL,OG,得到最终的优化子字典NE,NL,NG;
(5)分别利用子字典NE,NL,NG训练稀疏分类器SRC,每个稀疏分类器分别对待测样本进行稀疏表示 并求出对应第i类训练样本的残差分别为RiE,RiL,RiG,然后计算对应第i类训练样本的残差的均值残差均值E[Ri]的最小值对应的类即为待测人脸样本所属类别。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何 修改、等同替换和改进等,均应包含在本发明的保护范围之内。
机译: 基于多尺度协方差描述子和局部敏感RIEMANN核稀疏分类的三维人脸识别方法
机译: 基于子空间和LVQ分类器的实时人脸识别
机译: 基于核非负矩阵分解和稀疏特征表示的基于字典学习的人脸识别方法和系统