專利名稱：基于多尺度韋伯局部特征和核組稀疏表示的人臉識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種基于多尺度的韋伯局部特征(WLD, Weber Local Descriptor)和核組稀疏表不(KGSR, Kernel Group SparseRepresentation)的人臉識別方法。
背景技術(shù)：
人臉識別指利用人臉特征信息進行身份鑒別的生物特征識別技術(shù)，具有非接觸式采集、可以隱蔽操作、方便快捷、強大的事后追蹤能力、交互性強和圖像采集成本低等優(yōu)點，廣泛應(yīng)用在視頻監(jiān)控、刑事偵破、公共安全、人機交互等領(lǐng)域。在可控條件下，現(xiàn)有的人臉識別方法一般具有良好的識別性能。但是隨著光照、人臉姿態(tài)、表情、遮擋等因素的變化，識別性能將會明顯下降?，F(xiàn)有的研究中一般從以下兩個方面提升識別性能提取更有效特征表征人臉和設(shè)計更有效的分類方法。人臉特征可以分為整體特征和局部特征兩類整體特征主要包括主成分分析(Principal Component Analysis, PCA)、獨立成分分析(ICA, Independent Component Analysis)、線性判別分析(LDA, LinearDiscriminant Analysis)等；人臉識別中常用局部特征包括二元局部模式(LBP, LocalBinary Patterns)和Gabor特征兩種。在分類器方面,大部分人臉識別方法采用最近鄰分類器識別人臉。近年來，稀疏表示(SR, Sparse Representation)作為分類器被成功地應(yīng)用到人臉識別中，并受到廣泛的關(guān)注。

發(fā)明內(nèi)容
為了解決現(xiàn)有人臉識別存在的技術(shù)問題，本發(fā)明提出了一種識別準確度高的基于多尺度韋伯局部特征(WLD)和核組稀疏表示(KGSR)的人臉識別方法。本發(fā)明解決上述技術(shù)問題的技術(shù)方案包括以下步驟(I)預處理將人臉圖像I進行尺寸歸一化，并通過高斯濾波器進行平滑處理，得到矩陣I';(2)提取預處理后的矩陣I'的多尺度韋伯局部特征H ；(3)利用基于直方圖交叉核(HIK, Histogram Intersection Kernel)的核組稀疏表示(KGSR)分類算法識別待測人臉圖像。本發(fā)明技術(shù)效果在于(1)采用基于多尺度的韋伯局部特征的人臉表示方法，有效地提取人臉圖像中不同尺度的紋理結(jié)構(gòu)；(2)采用基于直方圖交叉核(HIK)的核組稀疏表示分類算法進行識別，利用直方圖交叉核將非線性的特征向量映射到線性高維空間，提高識別率。


圖I是本發(fā)明方法的流程框圖。圖2是本發(fā)明中計算韋伯局部特征中差分激勵成分的濾波窗口。
圖3是本發(fā)明中計算韋伯局部特征中用于提取方向信息的Sobel算子。圖4是本發(fā)明中人臉圖像的差分激勵圖(取L1=S)和方向信息圖(取L2=12)及其分割示意圖。其中，(a)表示源圖像；(b)表示多尺度差分激勵矩陣及其分割示意圖；(c)是方向信息矩陣及其分割示意圖。圖5是本發(fā)明中的2維韋伯局部特征直方圖。
具體實施例方式下面結(jié)合附圖和實例對本發(fā)明作詳細描述。本發(fā)明方法的流程框圖如圖I所示。其具體步驟如下(I)將灰度人臉圖像I通過高斯濾波進行平滑處理得到I'
權(quán)利要求
1.一種基于多尺度韋伯局部特征(WLD, Weber Local Descriptor)和核組稀疏表示(KGSR, Kernel Group Sparse Representation)的人臉識別方法，包括如下主要步驟 (1)預處理將人臉圖像I進行尺寸歸一化，并通過高斯濾波器進行平滑處理，得到矩陣I'; (2)提取預處理后的矩陣I'的多尺度韋伯局部特征H; (3)利用基于直方圖交叉核(HIK,Histogram Intersection Kernel)的核組稀疏表示(KGSR)分類算法識別待測人臉圖像。
2.根據(jù)權(quán)利要求I所述的基于多尺度韋伯局部特征(WLD)和核組稀疏表示(KGSR)的人臉識別方法，所述步驟2的提取多尺度韋伯局部特征步驟如下 Ca)通過不同半徑的窗口求取I'的不同尺度差分激勵矩陣Em(m=l，2，3)，通過Sobel算子求取方向信息矩陣O。
(b)將差分激勵矩陣Em(m=l，2，3)均勻分成N個大小相同且互不重疊的矩形子塊Smn(m=l, 2,3;n=l, 2，…，N)，同樣，將方向信息矩陣0均勻分成N個大小相同且互不重疊的矩形子塊Sn (n=(l, 2，…，N)，N的取值由矩形子塊的大小決定，矩形子塊的長a和寬b的取值范圍一般均為8-16。通過差分激勵矩陣子塊Snm與其對應(yīng)的方向信息矩陣子塊Sn求取韋伯局部特征hmn。將不同尺度的所有子塊的韋伯局部特征組合成一個多尺度的特征向量H=[h;y,h: ,".Xv]r。
3.根據(jù)權(quán)利要求I所述的基于多尺度韋伯局部特征(WLD)和核組稀疏表示(GSR)的人臉識別方法，所述步驟3的基于直方圖交叉核的核組稀疏表示(KGSR)分類算法步驟如下 (a)利用直方圖交叉核(HIK，HistogramIntersection Kernel)將訓練人臉樣H = TH ... H H ... H ... H ... H I本的特征向量集”1.1，,； 1^/ : “D:映射成核矩陣 H1H2HcW = Tw11Z-^w1 A ,w91 *** w9n /"，w **,wr n I2J,，2.D', “ ； cuV，同樣，將測試圖像的特征向量Hci 映射成核向量Wci，其中D。表示訓練集中第C，C=I, 2，…，C類樣本的個數(shù)，C表示訓練樣本中的類別數(shù)。
(b)將得到核矩陣W作為過完備字典，利用基于塊的正交匹配追蹤算法計算核向量Wtl Cr~|的組稀疏 (C)根據(jù)每一類訓練樣本的特征H。及其對應(yīng)的稀疏系數(shù)S。重構(gòu)測試圖像的特征向量H=Hs 根據(jù)最小重構(gòu)誤差識別測試圖像J = aW 1Ilin,.IH-Ho I。
全文摘要
本發(fā)明公開了一種基于多尺度韋伯局部特征和核組稀疏表示的人臉識別方法。它包括以下步驟首先，將人臉圖像尺寸歸一化，利用高斯濾波器平滑圖像；通過不同半徑的濾波窗口提取圖像多尺度的韋伯局部特征的差分激勵成分，采用Sobel算子提取其方向信息；根據(jù)多尺度差分激勵和方向信息提取人臉圖像的多尺度的韋伯局部特征，并利用直方圖交叉核將其映射到核空間；然后，利用訓練樣本得到的核矩陣作為稀疏字典，計算由測試樣本得到的核向量的組稀疏表示系數(shù)；最后，根據(jù)組稀疏系數(shù)重構(gòu)測試樣本的多尺度韋伯局部特征向量，利用最小重構(gòu)誤差識別測試樣本。本發(fā)明融合多尺度韋伯局部特征和核組稀疏表示算法進行人臉識別，大大提高了識別準確率。
文檔編號G06K9/00GK102722699SQ20121015996
公開日2012年10月10日 申請日期2012年5月22日 優(yōu)先權(quán)日2012年5月22日
發(fā)明者劉海倉, 李樹濤, 龔大義 申請人:湖南大學