專利名稱：：基于核稀疏表示的人臉識(shí)別方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，特別是涉及人臉的識(shí)別，可用于公共安全，信息安全，金融安全的監(jiān)督和防護(hù)。
背景技術(shù)：
：人臉識(shí)別是比較容易為人們所接受的非侵犯性識(shí)別手段，從而成為備受計(jì)算機(jī)視覺與模式識(shí)別等領(lǐng)域關(guān)注的熱點(diǎn)問題。人臉識(shí)別技術(shù)的目的是賦予計(jì)算機(jī)根據(jù)人的面孔辨別人物身份的能力。人臉識(shí)別作為一個(gè)科學(xué)問題，是一個(gè)典型的圖像模式分析，理解與分類的計(jì)算機(jī)問題，它涉及模式識(shí)別，計(jì)算機(jī)視覺，智能人機(jī)交互，圖形學(xué)，認(rèn)知科學(xué)等多個(gè)學(xué)科。作為生物特征識(shí)別關(guān)鍵技術(shù)之一的人臉識(shí)別技術(shù)在公共安全，信息安全，金融等領(lǐng)域具有潛在的應(yīng)用前景。人臉被普遍認(rèn)為是在圖像識(shí)別領(lǐng)域中最有研究價(jià)值的物體。這一方面是因?yàn)槿四樤谌祟愐曈X系統(tǒng)中具有顯著的識(shí)別能力，另一方面是因?yàn)樽詣?dòng)人臉識(shí)別技術(shù)中有大量重要的應(yīng)用。另外，人臉識(shí)別中的技術(shù)問題也涵蓋了物體識(shí)別研究中所遇到的問題。物體識(shí)別研究中的核心問題就是物體的哪個(gè)特征對(duì)于識(shí)別來說是最重要的或者是最富信息的?？紤]到人臉的特殊幾何結(jié)構(gòu)和差異性，那些固定的濾波器，比如下采樣、傅里葉、小波等，就不能使用了，因?yàn)樗鼈冎粚?duì)固定的信號(hào)有效，比如紋理圖像。取而代之的是那些能夠根據(jù)給出圖像而自適應(yīng)的提取人臉特征的方法，這些技術(shù)包括特征臉、Fisher臉、L鄰lace臉、主分量分析等等。由上述方法提取出來的特征更加利于人臉識(shí)別，包括最近鄰和最近子空間在內(nèi)的簡單的分類器都可以利用其進(jìn)行識(shí)別。雖然有眾多的特征提取或選擇的方法，卻很少涉及到討論哪種特征更好或者更壞，對(duì)于使用者來說也缺少指導(dǎo)去挑選哪種特征去應(yīng)用。在人臉識(shí)別領(lǐng)域，.已經(jīng)付出了大量的努力和關(guān)注去尋找所謂"最優(yōu)"特征。這種需求可能會(huì)導(dǎo)致某種重要因素'被模糊化甚至被掩蓋，這些因素可能對(duì)整個(gè)識(shí)別過程中的特征選擇起到重要的作用。比如，不同的特征可能會(huì)影響到分類器的選擇，也可能影響到特征維度的確定。為此，AllenY.Yang和YiMa在2007年提出一種用訓(xùn)練圖片對(duì)測(cè)試圖片進(jìn)行稀疏表出的方法，根據(jù)壓縮感知的原理求出稀疏表示向量，并進(jìn)行設(shè)計(jì)分類的4方法。該方法說明特征的數(shù)量要比這些特征是如果構(gòu)造的要重要的多。只要特征的數(shù)量足夠多，甚至是隨機(jī)選擇特征也能夠進(jìn)行很好的分類和識(shí)別。但是由于該方法求解的問題是一范數(shù)優(yōu)化問題，這樣就不可避免的遇到了針對(duì)同比例縮放的樣本無法合理求解系數(shù)向量和準(zhǔn)確分類的問題，從而可能導(dǎo)致分類不夠精確。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于核稀疏表示的人臉識(shí)別方法，以合理求解系數(shù)向量和準(zhǔn)確分類的問題，提高分類器的精確。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟(1)將訓(xùn)練樣本矩陣^eK,，與測(cè)試樣本yeR"，通過高斯核非線性映射至核空間，得到映射后的訓(xùn)練樣本矩陣Ce吸"x"和測(cè)試樣本/e]R"，其中吸表示實(shí)數(shù)集；(2)生成一個(gè)隨機(jī)矩陣及eR""，其中d《"，然后將隨機(jī)矩陣R與訓(xùn)練樣本矩陣c和測(cè)試樣本/相乘進(jìn)行降維處理，得到降維后訓(xùn)練樣本矩陣。eRrfx"和測(cè)試樣本/'e股d，并對(duì)該降維后的訓(xùn)練樣本矩陣和測(cè)試樣本進(jìn)行歸一化；(3)對(duì)歸一化后的訓(xùn)練樣本矩陣和測(cè)試樣本，利用如下優(yōu)化函數(shù)minsubjectto/"=求解最優(yōu)的樣本重構(gòu)系數(shù)向量^，/~為歸一化后的測(cè)試樣本，(？為歸一化后的訓(xùn)練樣本矩陣；(4)將求解得到的樣本重構(gòu)系數(shù)向量x，分別代入類別帶通函數(shù)5,:、-.0.-0《w=0，52(x)=000，并用亡與5,(x)相乘，對(duì)原測(cè)試樣本進(jìn)行重構(gòu)，K為類別總數(shù)，",代表第z'類樣本所對(duì)應(yīng)系數(shù)的位置，其中/-1，2,…，K,代表樣本類別；(5)計(jì)算重構(gòu)后的樣本與原測(cè)試樣本的殘差^:(6)將原測(cè)試樣本的殘差^代入測(cè)試樣本/的類別判定公式<formula>formulaseeoriginaldocumentpage6</formula>求得在K個(gè)殘差中尋找的最小值，并將其下標(biāo)n乍為最終的人臉識(shí)別結(jié)果，用identity(/)表示。本發(fā)明與現(xiàn)有方法相比具有以下優(yōu)點(diǎn)1、本方法由于對(duì)訓(xùn)練樣本矩陣和測(cè)試樣本采用了高斯核非線性映射，克服了求解一范數(shù)優(yōu)化函數(shù)的固有缺陷，即對(duì)同比例縮放的樣本無法合理求解樣本的重構(gòu)系數(shù)向量的問題，高了樣本的識(shí)別率。2、本方法由于對(duì)訓(xùn)練樣本矩陣和測(cè)試樣本采用了高斯核非線性映射，相比于原方法，映射后樣本的屬性值就具備了相似度的概念，這樣就能明確地反映出樣本在其特征空間中的位置關(guān)系，以便于分類。圖l是本發(fā)明的流程圖2是本發(fā)明在人工數(shù)據(jù)上與原分類算法的對(duì)比結(jié)果圖；圖3是現(xiàn)有ExtendedYaleB數(shù)據(jù)庫中的人臉樣本示意圖。具體實(shí)施例方式下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說明本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。-步驟1:將得到的訓(xùn)練和測(cè)試的人臉樣本映射至核空間。(la)輸入的樣本為ExtendedYaleB數(shù)據(jù)庫中的人臉樣本圖片，如圖3所示。該數(shù)據(jù)庫由2414張正面人臉組成，總共有38個(gè)類別，其中每一張圖片的尺寸均為192*168，且均經(jīng)過標(biāo)準(zhǔn)化處理。隨機(jī)的選取一半的樣本作為訓(xùn)練樣本，另一半作為測(cè)試樣本。由于每個(gè)類別的樣本數(shù)并不完全一致，所以每個(gè)類別平均取32幅圖片作為訓(xùn)練樣本，其余作為測(cè)試樣本。(lb)將訓(xùn)練樣本和測(cè)試樣本分別映射至核空間，本實(shí)施例采用的核函數(shù)為高斯徑向基核，其核函數(shù)的表示式如下A=exp(-/(2*/2))其中"、v均為樣本，A:為核映射結(jié)果，P為高斯徑向基核的參數(shù)。關(guān)于該核參數(shù)的選取，本實(shí)施例采用十倍交叉驗(yàn)證的方法，將樣本均分為十等份，九份訓(xùn)練，一份測(cè)試。測(cè)試時(shí)，選擇將樣本映射至實(shí)驗(yàn)中的最低維數(shù)，選出最優(yōu)參數(shù)。推廣至其他維數(shù)時(shí)，則在當(dāng)前最優(yōu)參數(shù)附近挑選即可。原訓(xùn)練IT本矩陣^sIT"x"，測(cè)試樣本ye!T"，通過映射后得到的訓(xùn)練樣本矩陣為CeR"x"，測(cè)試樣本為/eR"，其中，m為原樣本維數(shù)，在本實(shí)施例中為32256，n為訓(xùn)練樣本的個(gè)數(shù)。步驟2:求解樣本重構(gòu)系數(shù)向量^。(2a)根據(jù)降維需要生成一個(gè)隨機(jī)矩陣及eR""，其中^/"，然后將隨機(jī)矩陣R與訓(xùn)練樣本矩陣C和測(cè)試樣本/相乘，以進(jìn)行降維處理，得到降維后訓(xùn)練樣本矩陣(？gIRrfx"和測(cè)試樣本/~eR";(2b)將降維后的訓(xùn)練樣本矩陣和測(cè)試樣本同時(shí)除以這兩者中的最大值，完成對(duì)降維后訓(xùn)練樣本矩陣和測(cè)試樣本的歸一化處理；(2c)對(duì)歸一化后的訓(xùn)練樣本矩陣和測(cè)試樣本，利用如下優(yōu)化函數(shù)-min14subjecttof=求解最優(yōu)樣本重構(gòu)系數(shù)向量^，該向量是歸一化后的訓(xùn)練樣本矩陣對(duì)測(cè)試樣本的最稀疏表示，其中/~為歸一化后的測(cè)試樣本，(？為歸一化后的訓(xùn)練樣本矩陣。步驟3:對(duì)測(cè)試樣本進(jìn)行識(shí)別。(3a)將求解得到的樣本重構(gòu)系數(shù)向量^，分別代入類別帶通函數(shù)5,.，、-_0'-0'0a2，…Aw=0007并用(？與5,(x)相乘，對(duì)原測(cè)試樣本進(jìn)行重構(gòu)，K為類別總數(shù)，A代表第/類樣本所對(duì)應(yīng)系數(shù)的位置，其中/=1，2，，K，代表樣本類別，這樣就得到K個(gè)測(cè)試樣本的重構(gòu)結(jié)果(5,(勾，其中/=1，2，，K;(3b)計(jì)算重構(gòu)后的樣本與歸一化后測(cè)試樣本的殘差C-。(/)=||/~-^,0)||2(3c)將原測(cè)試樣本的殘差^代入測(cè)試樣本/的類別判定公式identity(/)=argmin,r,(/)求得在K個(gè)殘差中尋找的最小值，并將其下標(biāo)z'作為最終的人臉識(shí)別結(jié)果，用identity(Z)表示。本發(fā)明的效果通過以下仿真進(jìn)一步說明1、仿真條件與內(nèi)容本發(fā)明首先采用人工數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，人工數(shù)據(jù)選取的是分別以(0，0)、(0，5)和(5，5)為中心的三類高斯正態(tài)分布數(shù)據(jù)，訓(xùn)練樣本由每類各50個(gè)樣本組成，測(cè)試樣本由每類各20個(gè)樣本組成，如圖2(a)和圖2(b)所示。使用ExtendedYaleB數(shù)據(jù)庫進(jìn)行人臉識(shí)別實(shí)驗(yàn)，該數(shù)據(jù)庫由2414張正面人臉組成，總共有38個(gè)類別。其中每一張圖片的尺寸均為192*168,且均經(jīng)過標(biāo)準(zhǔn)化處理。每個(gè)類別中的人臉圖片均在人工控制的不同光照強(qiáng)度和角度下拍攝獲得，如圖3所示。在實(shí)驗(yàn)中，我們隨機(jī)的選取一半的樣本作為訓(xùn)練樣本，另一半作為測(cè)試樣本。由于每個(gè)類別的樣本數(shù)并不完全一致，所以每個(gè)類別取32幅圖片作為訓(xùn)練樣本，其余作為測(cè)試樣本。軟件平臺(tái)為MATLAB7.0。2、仿真結(jié)果本發(fā)明首先采用人工數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，為的是說明在同比例縮放的樣本分布情況下，現(xiàn)有方法在分類吋的缺陷，以為在高維樣本實(shí)驗(yàn)中的良好效果提供直觀的實(shí)驗(yàn)依據(jù)，實(shí)驗(yàn)結(jié)果如圖2所示。其中圖2(a)為訓(xùn)練樣本的分布示意圖，圖2(b)為測(cè)試樣本，圖2(c)為現(xiàn)有稀疏表示分類方法的實(shí)驗(yàn)結(jié)果，圖2(d)為本發(fā)明核稀疏表示分類方法的實(shí)驗(yàn)結(jié)果。從圖2(c)中可以明顯看出，現(xiàn)有方法在低維樣本的分類中存在明顯缺陷，而圖2(d)所示的本發(fā)明引入高斯核映射之后，測(cè)試樣本得到了正確的分類。對(duì)于ExtendedYaleB數(shù)據(jù)庫的人臉識(shí)別實(shí)驗(yàn)，為了進(jìn)行對(duì)比，本實(shí)驗(yàn)將人臉樣本分別降至20、30、56、120和504維，進(jìn)行仿真比較，其實(shí)驗(yàn)結(jié)果如表1所示。表l兩種方法在不同維數(shù)上的識(shí)別率對(duì)比<table>tableseeoriginaldocumentpage9</column></row><table>從表1可以看出，本發(fā)明方法在實(shí)驗(yàn)中各個(gè)維度上的識(shí)別率均比現(xiàn)有方法要好。綜上，現(xiàn)有方法的應(yīng)用使得特征選擇的作用變得不再重要，隨機(jī)降維也能在人臉識(shí)別中得到好的實(shí)驗(yàn)結(jié)果。本發(fā)明方法對(duì)訓(xùn)練樣本矩陣和測(cè)試樣本采用了高斯核非線性映射，在實(shí)驗(yàn)中可以看到，在低維的人工數(shù)據(jù)和在人臉數(shù)據(jù)庫上的實(shí)驗(yàn)效果都要優(yōu)于現(xiàn)有方法。權(quán)利要求1、一種基于核稀疏表示的人臉識(shí)別方法，包括步驟(1)將訓(xùn)練樣本矩陣id="icf0001"file="A2009100240520002C1.tif"wi="18"he="4"top="36"left="73"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>與測(cè)試樣本id="icf0002"file="A2009100240520002C2.tif"wi="15"he="4"top="37"left="118"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>通過高斯核非線性映射至核空間，得到映射后的訓(xùn)練樣本矩陣id="icf0003"file="A2009100240520002C3.tif"wi="16"he="3"top="48"left="104"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>和測(cè)試樣本id="icf0004"file="A2009100240520002C4.tif"wi="12"he="3"top="48"left="143"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>其中id="icf0005"file="A2009100240520002C5.tif"wi="3"he="3"top="49"left="167"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>表示實(shí)數(shù)集；(2)生成一個(gè)隨機(jī)矩陣id="icf0006"file="A2009100240520002C6.tif"wi="20"he="4"top="67"left="76"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>其中d＜＜n，然后將隨機(jī)矩陣R與訓(xùn)練樣本矩陣C和測(cè)試樣本l相乘進(jìn)行降維處理，得到降維后訓(xùn)練樣本矩陣id="icf0007"file="A2009100240520002C7.tif"wi="16"he="4"top="78"left="153"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>和測(cè)試樣本id="icf0008"file="A2009100240520002C8.tif"wi="13"he="4"top="89"left="45"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>并對(duì)該降維后的訓(xùn)練樣本矩陣和測(cè)試樣本進(jìn)行歸一化；(3)對(duì)歸一化后的訓(xùn)練樣本矩陣和測(cè)試樣本，利用如下優(yōu)化函數(shù)<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>min</mi><msub><mrow><mo>|</mo><mo>|</mo><mi>x</mi><mo>|</mo><mo>|</mo></mrow><mn>1</mn></msub><mi>subjectto</mi><mover><mi>l</mi><mo>~</mo></mover><mo>=</mo><mover><mi>C</mi><mo>~</mo></mover><mi>x</mi></mrow>]]></math></maths>求解最優(yōu)的樣本重構(gòu)系數(shù)向量x，id="icf0010"file="A2009100240520002C10.tif"wi="2"he="4"top="120"left="102"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>為歸一化后的測(cè)試樣本，id="icf0011"file="A2009100240520002C11.tif"wi="3"he="4"top="120"left="153"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>為歸一化后的訓(xùn)練樣本矩陣；(4)將求解得到的樣本重構(gòu)系數(shù)向量x，分別代入類別帶通函數(shù)δi<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msub><mi>δ</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>α</mi><mn>0</mn></msub></mtd></mtr><mtr><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mo>,</mo><msub><mi>δ</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>α</mi><mn>2</mn></msub></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>δ</mi><mi>K</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>α</mi><mi>K</mi></msub></mtd></mtr></mtable></mfenced></mrow>]]></math></maths>并用id="icf0013"file="A2009100240520002C13.tif"wi="3"he="4"top="177"left="32"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>與δi(x)相乘，對(duì)原測(cè)試樣本進(jìn)行重構(gòu)，得到重構(gòu)后的樣本id="icf0014"file="A2009100240520002C14.tif"wi="14"he="5"top="177"left="147"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>K為類別總數(shù)，αi代表第i類樣本所對(duì)應(yīng)系數(shù)的位置，其中i＝1，2，…，K，代表樣本類別；(5)計(jì)算重構(gòu)后的樣本與歸一化后測(cè)試樣本的殘差ri<mathsid="math0003"num="0003"><math><![CDATA[<mrow><msub><mi>r</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow><mo>=</mo><msub><mrow><mo>|</mo><mo>|</mo><mover><mi>l</mi><mo>~</mo></mover><mo>-</mo><mover><mi>C</mi><mo>~</mo></mover><msub><mi>δ</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msub></mrow>]]></math></maths>(6)將原測(cè)試樣本的殘差ri代入測(cè)試樣本l的類別判定公式identity(l)＝argminiri(l)求得在K個(gè)殘差中尋找的最小值，并將其下標(biāo)i作為最終的人臉識(shí)別結(jié)果，用identity(l)表示。2、根據(jù)權(quán)利要求1所述的人臉識(shí)別方法，其特征在于，所述的將訓(xùn)練樣本矩陣Je吸""x"與測(cè)試樣本j;e股"，通過高斯核非線性映射至核空間，其步驟為(2a)將訓(xùn)練樣本矩陣J中的樣本代入如下高斯徑向基核函數(shù)-得到的映射結(jié)果作為新的訓(xùn)練樣本矩陣C，其中"、v為任意兩個(gè)訓(xùn)練樣本，A為核映射結(jié)果，/為高斯徑向基核的參數(shù)；(2b)把訓(xùn)練樣本矩陣^中的每個(gè)樣本與測(cè)試樣本y代入上述核函數(shù)，得到的映射結(jié)果作為新的測(cè)試樣本/。3、根據(jù)權(quán)利要求1所述的人臉識(shí)別方法，其特征在于，所述的對(duì)該降維后的訓(xùn)練樣本矩陣和測(cè)試樣本進(jìn)行歸一化，是將降維后的訓(xùn)練樣本矩陣和測(cè)試樣本同時(shí)除以這兩者中的最大值，得到標(biāo)準(zhǔn)化的數(shù)據(jù)以利于分類。全文摘要本發(fā)明公開了一種基于核稀疏表示的人臉識(shí)別方法，主要解決現(xiàn)有方法無法合理求解樣本重構(gòu)系數(shù)向量的問題。實(shí)現(xiàn)步驟為(1)將訓(xùn)練樣本矩陣和測(cè)試樣本映射至核空間，然后將映射后的樣本隨機(jī)降維至所需要的維度，并對(duì)其進(jìn)行歸一化處理；(2)求解歸一化后的訓(xùn)練樣本矩陣與測(cè)試樣本之間的樣本重構(gòu)系數(shù)向量，將其代入類別帶通函數(shù)，對(duì)原測(cè)試樣本進(jìn)行重構(gòu)；(3)求得各類別重構(gòu)樣本與原測(cè)試樣本的殘差，并代入類別判定公式得到識(shí)別結(jié)果。本發(fā)明提高了在人臉識(shí)別應(yīng)用中的精度，同時(shí)將應(yīng)用范圍推廣至低維樣本，使其更具有通用性，可用于公共安全，信息安全，金融安全的監(jiān)督和防護(hù)。文檔編號(hào)G06K9/00GK101667246SQ20091002405公開日2010年3月10日申請(qǐng)日期2009年9月25日優(yōu)先權(quán)日2009年9月25日發(fā)明者周偉達(dá),周宏杰,莉張,哲晏,焦李成申請(qǐng)人:西安電子科技大學(xué)