專利名稱：一種基于相關(guān)特征和非線性映射的超分辨率人臉識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人臉識別領(lǐng)域，具體的涉及一種基于相關(guān)特征和非線性映射的超分辨
率人臉識別方法。
背景技術(shù)：
人臉識別是一種重要的生物認(rèn)證技術(shù)，近三十年來，研究人員提出了大量的方法，
并已廣泛用于視頻監(jiān)控等安全保障系統(tǒng)中。但是，由于距離和硬件條件等的限制，在大場景
視頻監(jiān)控系統(tǒng)中拍攝的感興趣人臉圖像分辨率往往比較低，從而降低了人臉識別的性能。
如何在低分辨率條件下提高識別效果，是目前人臉識別需要解決的問題。 圖像超分辨率(super-resolution, SR)是指利用某種算法從一幅或者一系列低
分辨率(low resolution,LR)圖像中獲得一幅或者一系列高分辨率(high resolution,HR)
圖像的技術(shù)。因此，人臉圖像超分辨率算法很自然地被作為提高低分辨率圖像人臉識別效
果的解決方案之一。具體而言，先利用超分辨率重建算法得到視覺效果較好的人臉圖像，然
后再進(jìn)行人臉識別。但是，這種方案中人臉圖像超分辨率重建與識別兩部分獨(dú)立進(jìn)行，且超
分辨率的目標(biāo)定位在提高圖像視覺效果，而不是提高識別率。 基于以上原因，Gimturk等人提出了直接重建人臉識別系統(tǒng)所需的高分辨率特征 臉信息的方法。該方法提供了一種很好的直接利用超分辨率進(jìn)行人臉識別的框架，但計(jì)算 復(fù)雜度較高，且該方法使用的概率模型不適用于人臉姿態(tài)變化較大的情況。Sezer等認(rèn)為與 像素域相比，在特征空間域利用超分辨率進(jìn)行低分辨率人臉圖像識別性能更加魯棒，并提 出了在ICA特征空間內(nèi)利用貝葉斯估計(jì)和凸集投影方法進(jìn)行超分辨率，從而對低分辨率視 頻人臉圖像序列進(jìn)行識別的方法。同樣，此方法應(yīng)用了概率模型，只適合于對正面低分辨率 人臉圖像進(jìn)行識別。Pablo等人提出了超分辨率重建和特征提取相結(jié)合的低分辨率人臉識 別方法，此方法所提出的正則化目標(biāo)函數(shù)模型能同時(shí)清晰表達(dá)對超分辨率重建結(jié)果以及識 別結(jié)果的限制，但目標(biāo)函數(shù)參數(shù)的學(xué)習(xí)過程比較復(fù)雜。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提出了一種基于相關(guān)特征和非線性 映射的超分辨率人臉識別方法。 為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是 1)首先，利用經(jīng)典的主成分分析方法提取高、低分辨率訓(xùn)練人臉圖像的識別特 征，利用所提取兩組識別特征作為訓(xùn)練數(shù)據(jù)，根據(jù)典型相關(guān)分析(Canonical Correlation Analysis, CCA)算法得到映射基向量，根據(jù)此映射基向量將識別特征轉(zhuǎn)換為相關(guān)特征；
2)其次，利用徑向基函數(shù)(Radial Basis Function, RBF)建立高、低分辨率人臉 圖像相關(guān)特征之間的映射關(guān)系，根據(jù)此映射關(guān)系得到測試低分辨率人臉圖像對應(yīng)的高分辨 率識別特征； 3)最后，利用基于L2范數(shù)的最近鄰分類器，按照求得的高分辨率識別特征進(jìn)行分類識別，從而獲得識別率。所述的步驟1)中的根據(jù)典型相關(guān)分析(Canonical CorrelationAnalysis， CCA) 算法得到映射基向量，根據(jù)此映射基向量將識別特征轉(zhuǎn)換為相關(guān)特征包括以下步驟
1)設(shè)去除均值后的高分辨率和低分辨率訓(xùn)練人臉圖像集合分別為 產(chǎn)-[//Vf ，...,《]，其中I,為第i幅高分辨率人臉圖 像，I,為第i幅低分辨率人臉圖像，m為訓(xùn)練圖像總的樣本數(shù)目；定義OBYf =xf ，其中BH
是高分辨率圖像對應(yīng)的特征提取矩陣，XiH是代表人臉圖像IiH的特征向量，T代表轉(zhuǎn)置運(yùn)算；
同理，得到低分辨率圖像的特征表示為《=，其中是低分辨率人臉圖像對應(yīng)的特 征提取矩陣，XiL代表低分辨率人臉圖像I,的特征向量，T代表轉(zhuǎn)置運(yùn)算；由此，得到表示對 應(yīng)的高低分辨率訓(xùn)練人臉圖像的特征向量集為義"=^f KI,和義"，其中XiH為第i 幅高分辨率人臉圖像對應(yīng)的特征向量，為第i幅低分辨率人臉圖像的特征向量；
2)對于人臉圖像識別特征的特征向量集XH、^分別減去其均值7和x、得 到中心化的數(shù)據(jù)集f"^,《，…，iC]和f ;定義C;,可P(^y],
c22 = ￡[f (Pf]分別為;^和f的自協(xié)方差矩陣，c,2 =￡[P(f Y]和c;,
分別為fw和fz的互協(xié)方差矩陣，其中E[ ]代表數(shù)學(xué)期望，T代表轉(zhuǎn)置運(yùn)算；計(jì)算 《-C^C^q"2^21 ，及2 =0^210^12; &和R2的特征向量即為所求映射基向量VH和;
3)利用所得到的映射基向量，將特征向量集XH、 X"變換為相關(guān)特征，得到高分辨 率和低分辨率訓(xùn)練人臉圖像對應(yīng)的相關(guān)特征的投影系數(shù)集C" ={^}「=1 、C￡ -{cf，即
^(rV《和cf =(J^)^f ，其中c,為第i幅高分辨率人臉圖像對應(yīng)的投影系數(shù)，(^為第 i幅低分辨率人臉圖像對應(yīng)的投影系數(shù)，^"為第i幅高分辨率人臉圖像對應(yīng)的特征向量，g 為第i幅低分辨率人臉圖像對應(yīng)的特征向量。所述的步驟2)中的測試低分辨率人臉圖像對應(yīng)的高分辨率識別特征的步驟如
下 1)對輸入的低分辨率測試人臉圖像Iy根據(jù)此低分辨率測試人臉圖像L對應(yīng)的低 分辨率人臉圖像特征提取矩陣B、利用Xl = (B" 得到該低分辨率測試人臉圖像L的特 征向量A，通過Cl = (V"T(Xf7)將Xl變換為相關(guān)特征Cl ; 2)利用RBF建立高低分辨率人臉圖像相關(guān)特征之間的非線性映射關(guān)系，其中利用 相關(guān)特征CH和作為訓(xùn)練數(shù)據(jù)集，對RBF模型進(jìn)行訓(xùn)練，求得權(quán)值矩陣W ;
3)將Cl作為RBF模型的輸入，即可求得對應(yīng)的高分辨率人臉圖像近似特征為 c,『，(《,c,),.一(《,c,)r ，其中小( )為所用的徑向基函數(shù)，采用多元二次曲面函數(shù)，
具體為^^,。) = J|C,_?！?1 ，求得Ch后，利用此近似高分辨率特征進(jìn)行人臉識別。 本發(fā)明是基于流形學(xué)習(xí)的理論，由于相互對應(yīng)的高低分辨率人臉圖像的識別 特征是由共同的內(nèi)在結(jié)構(gòu)生成的，本發(fā)明利用典型相關(guān)分析(Canonical Correlation Analysis, CCA)將高低分辨率人臉圖像特征轉(zhuǎn)換到兩個相關(guān)子空間，使得高低分辨率人 臉圖像識別特征具有相似的拓?fù)浣Y(jié)構(gòu)，進(jìn)一步利用徑向基函數(shù)(Radial Basis Function, RBF)建立兩個相關(guān)子空間之間高低分辨率人臉圖像特征之間的映射關(guān)系，從而求得測試低 分辨率人臉圖像對應(yīng)的高分辨率識別特征，并利用基于L2范數(shù)的最近鄰分類器進(jìn)行分類
5識別，從而獲得識別率。


圖1是高、低分辨率人臉圖像特征分布圖，其中(a)為CCA變換前的特征分布，(b)
為CCA變換后的特征分布； 圖2本發(fā)明算法框架； 圖3 CAS-PEAL表情庫中同一人物的五幅表情圖像；
圖4 CAS-PEAL表情圖庫識別率對比； 圖5實(shí)驗(yàn)所用的一組人臉圖像，其中(a)為32X32的高分辨率訓(xùn)練人臉圖像，(b) 為8X8的低分辨率訓(xùn)練人臉圖像，(c)為8X8的低分辨率測試人臉圖像；
圖6特征向量維數(shù)變化對識別率的影響；
圖7 ORL圖庫中同一人物的一組圖像；
圖8 ORL圖庫識別率對比。
具體實(shí)施例方式
為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及具體實(shí)例，對 本發(fā)明做進(jìn)一步詳細(xì)說明。這些實(shí)例僅僅說明性的，而并非對本發(fā)明的限制。
人臉圖像識別特征超分辨率問題可描述為已知兩個相互對應(yīng)的高、低分辨率人 臉圖像訓(xùn)練集合IH和I"或者兩個相互對應(yīng)的人臉圖像識別特征的特征向量集XH和X、輸 入一幅低分辨率人臉圖像L，求其對應(yīng)的高分辨率人臉圖像的識別特征Ch。
流形學(xué)習(xí)的理論認(rèn)為人臉子空間是一種嵌入流形結(jié)構(gòu)，這表明人臉數(shù)據(jù)集構(gòu)成的 高維結(jié)構(gòu)在局部意義下與某個低維歐式空間拓?fù)渫?。相互對?yīng)的高低分辨率人臉數(shù)據(jù)集 之間僅僅分辨率不同，也就是維數(shù)不同。因此，可以認(rèn)為，相互對應(yīng)的高低分辨率人臉數(shù)據(jù) 集是由相同的內(nèi)在結(jié)構(gòu)生成的，兩者在某個空間應(yīng)具有相似的拓?fù)浣Y(jié)構(gòu)。CCA是一種分析兩 組數(shù)據(jù)線性關(guān)系的方法，其目的是分別為每組數(shù)據(jù)尋找一組映射基向量，使得通過這兩組 基向量變換后的數(shù)據(jù)相關(guān)性達(dá)到最大。本發(fā)明以高、低分辨率圖像的識別特征作為兩組待 處理數(shù)據(jù)，通過CCA變換來尋找相關(guān)子空間，經(jīng)CCA變換使得高、低分辨率人臉圖像識別特 征的拓?fù)浣Y(jié)構(gòu)變得更加相似。圖1為在CCA變換前后一組對應(yīng)的高、低分辨率人臉圖像識 別特征前兩維的分布情況。從圖中可以看出，CCA變換前，高、低分辨率人臉圖像識別特征 的拓?fù)潢P(guān)系比較凌亂；CCA變換后，兩者的拓?fù)浣Y(jié)構(gòu)變得相似，更易建立兩個相關(guān)子空間之 間的映射關(guān)系。 RBF常用于構(gòu)建比較精確的插值函數(shù)。本發(fā)明利用RBF構(gòu)建回歸模型，充分利用高 低分辨率人臉圖像特征的訓(xùn)練數(shù)據(jù)學(xué)習(xí)RBF參數(shù)，以建立高、低分辨率人臉圖像識別特征 在相關(guān)子空間的映射關(guān)系。對于測試低分辨率人臉圖像特征即可通過RBF回歸模型求得對 應(yīng)的高分辨率人臉圖像識別特征。相比其它文獻(xiàn)中基于概率模型的方法，此方法簡單，并且 對于非正面、多表情人臉圖像也可得到較好的識別特征，識別率較高。 本發(fā)明算法框架如圖2所示，主要包含三個部分人臉圖像特征提取，相關(guān)特征的 超分辨率重建以及最終的識別過程。 1)設(shè)去除均值后的高分辨率和低分辨率訓(xùn)練人臉圖像集合分別為<formula>formula see original document page 7</formula>其中為第i幅高分辨率人臉圖
像，I，為第i幅低分辨率人臉圖像，m為訓(xùn)練圖像總的樣本數(shù)目；人臉圖像特征通過經(jīng)典的 主成分分析(Principal Component Analysis, PCA)來獲取。定義
<formula>formula see original document page 7</formula>
其中BH是高分辨率人臉圖像對應(yīng)的特征提取矩陣，XiH是人臉圖像I,的特征向 量，T代表轉(zhuǎn)置運(yùn)算；同理，得到低分辨率圖像的特征表示為x,、CBY"，其中B^是低分 辨率人臉圖像對應(yīng)的特征提取矩陣，XiL代表低分辨率人臉圖像IiL的特征向量，T代表轉(zhuǎn)
置運(yùn)算；由此，得到表示對應(yīng)的高低分辨率訓(xùn)練人臉圖像的特征向量集為尤"={《k:,和
I" ，其中x,為第i幅高分辨率人臉圖像對應(yīng)的特征向量，xj為第i幅低分辨率人
臉圖像的特征向量； 首先將高低分辨率人臉訓(xùn)練圖像的特征向量通過CCA變換轉(zhuǎn)換到相關(guān)子空間。具 體的，對于對于人臉圖像識別特征的特征向量集XH、#分別減去其均值7和7，得到中心化 的數(shù)據(jù)集f" =[f ,《,…,《]和f =[《，《,...，《]。CCA的目標(biāo)是分別為樣本集f "和fz 尋找兩組映射基向量VH、 V、使得利用基向量映射后的變量C" ^"fHPC" =("fP 之間的相關(guān)系數(shù)P達(dá)到最大，即有
<formula>formula see original document page 7</formula>
取得最大值，其中E[ ]代表數(shù)學(xué)期望。 為了求解基向量VH和VL，定義Cu ")r] ，C22 =￡[f (P)n分別為f "和f
的自協(xié)方差矩陣，c,2-E[P(f)n和C2^E[^(^Y]分別為p和^的互協(xié)方差矩陣。計(jì)
算<formula>formula see original document page 7</formula>。 R和R2的特征向量即為所求基向量VH和V、
利用所求基向量，將特征向量集XH、X"變換到相關(guān)子空間，得到對應(yīng)的投影系數(shù)集 、C丄<formula>formula see original document page 7</formula><formula>formula see original document page 7</formula>
由于XH、 這兩個數(shù)據(jù)集之間存在相關(guān)的內(nèi)在結(jié)構(gòu)，經(jīng)過CCA變換，兩個數(shù)據(jù)集CH 和之間的相關(guān)性得到增強(qiáng)，使得兩者的拓?fù)潢P(guān)系更相似。 在相關(guān)子空間，利用RBF建立高低分辨率人臉圖像特征之間的映射關(guān)系。徑向基 函數(shù)方法利用徑向?qū)ΨQ函數(shù)將多元數(shù)據(jù)逼近問題轉(zhuǎn)化為一元的逼近問題，可平滑插值不均 勻分布的高維數(shù)據(jù)。RBF的數(shù)學(xué)表示為<formula>formula see original document page 7</formula><formula>formula see original document page 8</formula>
(6) 其中小( )是所用的基函數(shù)，在此采用多元二次曲面函數(shù)—(.)=^|k,.-G| +1 ，
是基函數(shù)對應(yīng)的系數(shù)。在本發(fā)明應(yīng)用過程中，ti和tj為相應(yīng)的低分辨率人臉圖像特征，fj 為與tj對應(yīng)的高分辨率人臉圖像特征。矩陣形式的RBF表示為F = WO，具體的可以表示 為
…州，。
"/;o ::: ) 利用訓(xùn)練數(shù)據(jù)集CH和對上述RBF模型進(jìn)行訓(xùn)練，即可求得權(quán)值W。具體地，令F =CHJ, =C，。那么，W容易求得為W = F inv(O)。 對輸入的低分辨率測試人臉圖像Iy求得其特征向量A，進(jìn)一步將Xl變換到相關(guān)
子空間，得到 即 Cl = (VL)T(Xl-7) (7) 將Cl作為RBF的輸入，根據(jù)等式(5)即可求得對應(yīng)的高分辨率人臉圖像近似特征 為 C力=『.W(《，C,),…0(《，C/ )f (8) 進(jìn)而根據(jù)相關(guān)子空間的識別特征進(jìn)行人臉識別。利用特征ch與C" = {cf }:采用基
于L2范數(shù)的最近鄰分類器進(jìn)行分類識別，即判決函數(shù)為&(cJ = min(||cA-《||2)，i = 1，2，…m (9)其中cikH表示CH中屬于第k類的第i個樣本。 為了驗(yàn)證本發(fā)明的有效性，分別利用CAS-PEAL表情人臉圖庫、0RL人臉庫進(jìn)行實(shí) 驗(yàn)。所得實(shí)驗(yàn)結(jié)果分別與雙三次插值識別算法、文獻(xiàn)中Gimturk的方法、以及利用原始高分 辨率圖像進(jìn)行識別所得識別率進(jìn)行比較。其中，雙三次插值識別算法是指對低分辨率人臉 圖像利用雙三次插值得到高分辨率人臉圖像，然后提取此高分辨率人臉圖像的特征進(jìn)行識 別；利用原始高分辨率圖像進(jìn)行識別，即直接提取此高分辨率圖像的特征進(jìn)行識別。在本發(fā) 明實(shí)驗(yàn)中，識別策略均采用基于L2范數(shù)的最近鄰分類器進(jìn)行分類識別。下面分別介紹利用 兩組圖庫進(jìn)行人臉識別的實(shí)驗(yàn)過程和結(jié)果。 利用CAS-PEAL表情圖庫進(jìn)行人臉識別，此圖庫包含377個人物，每人包含5幅不 同表情的圖像。圖3給出了經(jīng)過預(yù)處理后的一組人臉圖像，表情依次為閉眼、皺眉、笑、張 嘴、驚訝。在此實(shí)驗(yàn)過程中，利用同一人物的前三幅圖像進(jìn)行訓(xùn)練，剩余兩幅圖像進(jìn)行識別。
根據(jù)高低分辨率圖像大小分三種情況進(jìn)行人臉識別，分別為第一種情況，高分辨 率訓(xùn)練圖像大小為64X64，低分辨率圖像大小為16X16 ;第二種情況，高分辨率訓(xùn)練圖像 大小為64X64，低分辨率圖像大小為8X8 ;第三種情況，高分辨率訓(xùn)練圖像大小為32X32， 低分辨率圖像大小為8X8。 Gunturk方法參考文獻(xiàn)中的參數(shù)KL變換選擇前60維特征向 量，最大迭代數(shù)目為7， A 二0.5，其它方法中，人臉圖像均利用PCA提取特征，高分辨率人 臉圖像取PCA方差貢獻(xiàn)率為95%，低分辨率人臉圖像取PCA方差貢獻(xiàn)率為98%，后面圖庫 中參數(shù)設(shè)置與此相同，不再贅述。圖4給出了上述三種情況的識別率對比。
從圖4中可以看出，相比其它方法，當(dāng)待識別人臉圖像分辨率較低時(shí)，本發(fā)明方法 識別率優(yōu)勢較明顯，并且整體性能較穩(wěn)定。本發(fā)明方法所得識別率與利用原始高分辨率人
8臉圖像進(jìn)行識別所得識別率非常接近，這是因?yàn)楸景l(fā)明利用CCA獲得相關(guān)特征，利用RBF對 于相關(guān)特征進(jìn)行超分辨率重建，可以獲得測試低分辨率人臉圖像在高分辨率特征空間的近 似識別特征。 為了分析PCA提取特征維數(shù)變化對結(jié)果的影響，對于高分辨率訓(xùn)練人臉圖像大小 為32X32，低分辨率人臉圖像大小為8X8(如圖5所示)，低分辨率人臉圖像利用PCA提取 30維特征向量，改變高分辨率人臉圖像提取特征向量的維數(shù)，比較不同方法所得識別率。實(shí) 驗(yàn)結(jié)果如圖6所示。 由圖6可以看出隨著特征向量維數(shù)的增加，所得識別率均最初呈上升趨勢，然后 逐漸穩(wěn)定在一個區(qū)間內(nèi)；本發(fā)明方法所得識別率結(jié)果相比Gunturk的方法能較快的達(dá)到穩(wěn) 定區(qū)域，且識別率較高；當(dāng)特征向量維數(shù)大于30，本發(fā)明方法所得識別率與利用原始高分 辨率人臉圖像所得識別率結(jié)果非常接近，這是因?yàn)楸景l(fā)明方法利用識別特征的超分辨率重 建，解空間限制在高分辨率特征空間內(nèi)，可以獲得有利于識別的信息。 利用ORL人臉庫進(jìn)行人臉識別實(shí)驗(yàn)，此圖庫包含40個人物，每個人物有10幅不同 的圖像。在包含的這400幅圖像中，存在表情、姿態(tài)、是否帶眼鏡等多種因素影響。利用ORL 圖庫進(jìn)行實(shí)驗(yàn)時(shí)，選擇每個人的5幅圖像用于訓(xùn)練，剩余5幅圖像用于測試。圖7給出ORL 圖庫中的一組人臉圖像。 根據(jù)高低分辨率圖像大小分三種情況進(jìn)行人臉識別，分別為第一種情況，高分辨 率訓(xùn)練圖像大小為56X46，低分辨率圖像大小為14X11 ;第二種情況，高分辨率訓(xùn)練圖像 大小為56X46，低分辨率圖像大小為7X5 ;第三種情況，高分辨率訓(xùn)練圖像大小為28X23， 低分辨率圖像大小為7X5。圖8給出了所列三種情況的識別率對比。 從圖8中結(jié)果可以明顯看出，Gunturk方法所得識別率比較低，這是因?yàn)镺RL圖庫 中涉及姿態(tài)變化比較大的人臉圖像，而Gunturk方法是基于概率模型求解超分辨率問題， 不適合此類圖庫；相比而言，本發(fā)明算法結(jié)果比較穩(wěn)定，與利用原始高分辨率人臉圖像進(jìn)行 識別所得識別率也比較接近。 針對低分辨率人臉圖像識別率較低的問題，本發(fā)明提出了基于相關(guān)特征和非線性 映射的超分辨率人臉識別方法。利用CCA獲得高低分辨率人臉圖像的相關(guān)子空間，然后在 此相關(guān)子空間內(nèi)利用徑向基函數(shù)建立高低分辨率圖像相關(guān)特征的對應(yīng)關(guān)系，從而獲得測試 低分辨率人臉圖像在高分辨率空間對應(yīng)的近似特征。實(shí)驗(yàn)表明，與現(xiàn)有方法相比，本發(fā)明方 法受人臉圖像姿態(tài)、表情等因素影響較小，識別率較高。
權(quán)利要求
一種基于相關(guān)特征和非線性映射的超分辨率人臉識別方法，其特征在于包含以下步驟1)首先，利用經(jīng)典的主成分分析方法提取高、低分辨率訓(xùn)練人臉圖像的識別特征，利用所提取兩組識別特征作為訓(xùn)練數(shù)據(jù)，根據(jù)典型相關(guān)分析(Canonical Correlation Analysis，CCA)算法得到映射基向量，根據(jù)此映射基向量將識別特征轉(zhuǎn)換為相關(guān)特征；2)其次，利用徑向基函數(shù)(Radial Basis Function，RBF)建立高、低分辨率人臉圖像相關(guān)特征之間的映射關(guān)系，根據(jù)此映射關(guān)系得到測試低分辨率人臉圖像對應(yīng)的高分辨率識別特征；3)最后，利用基于L2范數(shù)的最近鄰分類器，按照求得的高分辨率識別特征進(jìn)行分類識別，從而獲得識別率。
2. 如權(quán)利要求1所述的基于相關(guān)特征和非線性映射的超分辨率人臉識別方法，其特征 在于所述的步驟l)中的根據(jù)典型相關(guān)分析(CanonicalCorrelation Analysis,CCA)算法 得到映射基向量，根據(jù)此映射基向量將識別特征轉(zhuǎn)換為相關(guān)特征包括以下步驟1) 設(shè)去除均值后的高分辨率和低分辨率訓(xùn)練人臉圖像集合分別為 產(chǎn)=[CC."《]、,，其中I,為第i幅高分辨率人臉圖 像，I,為第i幅低分辨率人臉圖像，m為訓(xùn)練圖像總的樣本數(shù)目；定義(^Tf =《，其中BH是高分辨率圖像對應(yīng)的特征提取矩陣，XiH是代表人臉圖像IiH的特征向量，T代表轉(zhuǎn)置運(yùn)算；同理，得到低分辨率圖像的特征表示為xf "，其中是低分辨率人臉圖像對應(yīng)的特征提取矩陣，XiL代表低分辨率人臉圖像I,的特征向量，T代表轉(zhuǎn)置運(yùn)算；由此，得到表示對應(yīng)的高低分辨率訓(xùn)練人臉圖像的特征向量集為義"二(x/^:和^^ ，其中為第i幅高分辨率人臉圖像對應(yīng)的特征向量，為第i幅低分辨率人臉圖像的特征向量；2) 對于人臉圖像識別特征的特征向量集XH、 ^分別減去其均值7和x、得到 中心化的數(shù)據(jù)集= [fjf,…，《]和f ;定義C h(^y]，c22 =五[^(1 y]分別為f w和義丄的自協(xié)方差矩陣，^2 = ￡[f "(f y]和Q =￡[f (fY]分別為f"和fz的互協(xié)方差矩陣，其中E[ ]代表數(shù)學(xué)期望，T代表轉(zhuǎn)置運(yùn)算；計(jì)算<formula>formula see original document page 0</formula>和R2的特征向量即為所求映射基向量VH和;3) 利用所得到的映射基向量，將特征向量集XH、 X"變換為相關(guān)特征，得到高分辨率 和低分辨率訓(xùn)練人臉圖像對應(yīng)的相關(guān)特征的投影系數(shù)集C"^cfd、C^(cf，即 cf =(^)^，Pcf =(")^f ，其中ciH為第i幅高分辨率人臉圖像對應(yīng)的投影系數(shù)，c，為 第i幅低分辨率人臉圖像對應(yīng)的投影系數(shù)，^為第i幅高分辨率人臉圖像對應(yīng)的特征向量， #為第i幅低分辨率人臉圖像對應(yīng)的特征向量。
3. 如權(quán)利要求1或2所述的基于相關(guān)特征和非線性映射的超分辨率人臉識別方法，其 特征在于所述的步驟2)中的測試低分辨率人臉圖像對應(yīng)的高分辨率識別特征的步驟如下1)對輸入的低分辨率測試人臉圖像Il，根據(jù)此低分辨率測試人臉圖像Ii對應(yīng)的低分辨率人臉圖像特征提取矩陣B、利用Xl = (B"t^得到該低分辨率測試人臉圖像L的特征向量A，通過Cl = (V"t(Xf7)將Xl變換為相關(guān)特征Cl ;2) 利用RBF建立高低分辨率人臉圖像相關(guān)特征之間的非線性映射關(guān)系，其中利用相關(guān)特征CH和作為訓(xùn)練數(shù)據(jù)集，對RBF模型進(jìn)行訓(xùn)練，求得權(quán)值矩陣W ;3) 將q作為RBF模型的輸入，即可求得對應(yīng)的高分辨率人臉圖像近似特征為<formula>formula see original document page 3</formula>其中小( )為所用的徑向基函數(shù)，采用多元二次曲面函數(shù)，具體為<formula>formula see original document page 3</formula>求得Ch后，利用此近似高分辨率特征進(jìn)行人臉識別。
全文摘要
一種基于相關(guān)特征和非線性映射的超分辨率人臉識別方法。本發(fā)明針對低分辨率人臉圖像識別率較低的問題，提出了一種利用相關(guān)特征和非線性映射進(jìn)行識別特征的超分辨率重建得到低分辨率人臉圖像在高分辨率空間對應(yīng)的識別特征的方法。本發(fā)明利用典型相關(guān)分析建立高分辨率和低分辨率人臉圖像特征的相關(guān)子空間，獲得相關(guān)特征，然后利用徑向基函數(shù)建立高低分辨率人臉圖像相關(guān)特征之間的聯(lián)系，從而求得測試低分辨率人臉圖像在高分辨率空間的近似特征，最終用于人臉識別。相比其它的方法，本發(fā)明受人臉姿態(tài)和表情變化影響較小，所得識別率較高。
文檔編號G06K9/00GK101710386SQ200910254530
公開日2010年5月19日 申請日期2009年12月25日 優(yōu)先權(quán)日2009年12月25日
發(fā)明者何惠婷, 黃華 申請人:西安交通大學(xué)