專利名稱：一種基于壓縮感知的選擇集成人臉識別方法
技術領域：
本發(fā)明涉及模式識別技術領域，更具體地，涉及一種基于壓縮感知的選擇集成人臉識別方法。
背景技術：
人臉識別技術是生物特征識別技術中的一種。目前各個國家對人臉識別技術都很重視，許多大公司也推出了基于人臉識別的身份認證技術，在視頻監(jiān)控、多媒體、過程控制、身份識別等領域有廣泛的應用前景。近年來，基于壓縮感知的人臉識別算法已經(jīng)被廣泛的應用。但是傳統(tǒng)的基于壓縮感知的人臉識別算法是將測試樣本看做是訓練樣本的線性表示，有效地利用圖像的冗余信息和稀疏性表示特征進行識別，具有較好的識別率，但是每個分類器采用不同的稀疏算法求解，導致在不同的測試集和驗證集上的識別率有較大的差異，并且其穩(wěn)定性和泛化能力不夠強。目前，中國專利申請“利用稀疏表示進行人臉識別的集成方法、基于字典學習模型的人臉識別方法和融合稀疏保持映射和多類別屬性Bagging的人臉識別方法”是介紹人臉識別技術的。王爽和焦李成等利用旋轉(zhuǎn)森林算法生成旋轉(zhuǎn)矩陣，通過旋轉(zhuǎn)矩陣把同一人臉樣本數(shù)據(jù)隨機投影到不同的坐標系中，利用稀疏表示分類方法對投影后的人臉樣本數(shù)據(jù)進行識別，對投影后人臉樣本的識別結(jié)果進行投票選擇，提高了識別正確率和穩(wěn)定性；林通、劉詩和查紅彬通過建立字典學習模型，包括不相關的和無約束的不相關字典學習模型，將訓練信號集矩陣輸入到上述模型中并對模型進行求解，可獲得不相關字典和線性分類器，將稀疏向量輸入至線性分類器進行人臉識別。另外融合稀疏保持映射和多類別屬性Bagging的人臉識別方法首先采用壓縮感知理論提取人臉的特征，然后采用最近鄰法進行人臉識別，最后采用Bagging進行集成人臉識別。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種基于壓縮感知的選擇集成人臉識別方法，本發(fā)明是利用不同的特征提取與稀疏算法產(chǎn)生多個基于壓縮感知的人臉分類器，采用選擇集成算法集成，對于待識別圖片，采用快速人臉識別器進行有效識別，進而提高人臉識別的穩(wěn)定性與泛化能力。為了實現(xiàn)上述目的，本發(fā)明的技術方案為:一種基于壓縮感知的選擇集成人臉識別方法，利用新的特征提取方法進行降維，選擇不同的特征累計值和稀疏算法建立多個SRC分類器，利用選擇算法選擇合適的分類器組成集成分類器，通過人臉識別器將有效的人臉圖像通過集成分類器進行人臉識別。所述的方法包括下列步驟:S1.根據(jù)不同的特征提取方法和稀疏表達算法建立η個不同的分類器；S2.通過選擇算法從η個不同的分類器選擇m個分類器組成集成分類器；S3.利用人臉識別器判別待識別圖像是否為有效人臉圖像；
S4.將步驟S3中判別為有效的人臉圖像根據(jù)步驟S2的集成分類器進行集成人臉識別。優(yōu)選地，所述步驟SI具體為:采用下采樣方法采樣人臉圖像，然后采用主成分分析PCA方法進行特征提??；繼而采用稀疏算法進行稀疏系數(shù)求解，建立分類器SRC。優(yōu)選地，所述采用下采樣方法采樣20X 15的人臉圖像；采用主成分分析PCA方法進行特征提取，其中特征累計值分別取0.90，0.92，0.95，0.97 ；采用的稀疏算法為OMP、Ll-magic和GPSR的稀疏算法，建立η個稀疏表達分類器SRC,為:(S1, S2,, sn},其中 η=12。優(yōu)選地，所述步驟S2具體實現(xiàn)為:S21.采用步驟SI建立的η個SRC分類器Is1, S2, , sj模型識別所有的測試集圖像，得到對應的識別率A (i = 1,2,…，η);根據(jù)識別率&的高低對SRC分類器進行排序;S22.采用選擇策略算法選擇精度高，差異度大的m個分類器；S23.將待識別樣本輸入到步驟S22的m個分類器中進行識別，采用投票法進行集成，得到集成分類器。優(yōu)選地，所述步驟S21根據(jù)識別率ri的大小對SRC分類器進行排序，其排序方式為從高到低依次排列，記為{s/ ,s' 2，...，s' n};
權利要求
1.一種基于壓縮感知的選擇集成人臉識別方法，其特征在于，包括以下步驟: 51.根據(jù)不同的特征提取方法和稀疏表達算法建立η個不同的分類器； 52.通過選擇算法從η個不同的分類器選擇m個分類器組成集成分類器； 53.利用人臉識別器判別待識別圖像是否為有效人臉圖像； 54.將步驟S3中判別為有效的人臉圖像根據(jù)步驟S2的集成分類器進行集成人臉識別。
2.根據(jù)權利要求1所述的基于壓縮感知理論的選擇集成人臉識別方法，其特征在于，所述步驟SI具體為:采用下采樣方法采樣人臉圖像，然后采用主成分分析PCA方法進行特征提取；繼而采用稀疏算法進行稀疏系數(shù)求解，建立分類器SRC。
3.根據(jù)權利要求2所述的基于壓縮感知理論的選擇集成人臉識別方法，其特征在于，所述采用下采樣方法采樣20X15的人臉圖像；采用主成分分析PCA方法進行特征提取，其中特征累計值分別取0.90，0.92，0.95，0.97 ； 采用的稀疏算法為OMP、Ll-magic和GPSR的稀疏算法，建立η個稀疏表達分類器SRC，為:(S1, S2,...，sn}，其中 η-12。
4.根據(jù)權利要求1所述的基于壓縮感知理論的選擇集成人臉識別方法，其特征在于，所述步驟S2具體實現(xiàn)為: 521.采用步驟SI建立的η個SRC分類器Is1,S2,, sj模型識別所有的測試集圖像，得到對應的識別率A (i = 1，2，…，η);根據(jù)識別率&的高低對SRC分類器進行排序； 522.采用選擇策略算法選擇精度高，差異度大的m個分類器； 523.將待識別樣本輸入到步驟S22的m個分類器中進行識別，采用投票法進行集成，得到集成分類器。
5.根據(jù)權利要求4所述的基于壓縮感知理論的選擇集成人臉識別方法，其特征所在于，所述步驟S21根據(jù)識別率ri的大小對SRC分類器進行排序，其排序方式為從高到低依次排列，記為{s/，s' 2，...，s, J ； 令 M= {s/ }, N = {s' 2，…，s' J。
6.根據(jù)權利要求4所述的基于壓縮感知理論的選擇集成人臉識別方法，其特征所在于，所述步驟S22具體實現(xiàn)如下: 5221.令t=l，設步驟S22中的m個分類器中誤識別的圖像數(shù)為et； 5222.對于每一個Si'e N，計算其正確識別率，其中某個分類器中識別錯誤的測試圖像數(shù)目記為ε i ;將糾識圖像數(shù)目最多的分類器添加到m個分類器中；當有多個分類器的糾識圖像數(shù)目相同時，根據(jù)以下準則進行分類器的選擇:、、,with k二 aru{max (w,η +ω2—}} e, 其中= 1，且CO1為識別率所占的權重,范圍為(0,0.1] ； ω2為糾錯所占權重，范圍為
；5223.令M — M U SK，N — N-Sk ； 5224.若t〈M，則t=t+l，轉(zhuǎn)步驟S222;否則停止，輸出選擇出來的m個SRC分類器，記為f I 2mlIs，S，...，S } ο
7.根據(jù)權利要求4所述的基于壓縮感知理論的選擇集成人臉識別方法，其特征所在于，所述步驟S23具體實現(xiàn)如下:假設已經(jīng)計算出測試樣本X對于C類問題情況下，用m個分類器進行分類的后驗概率集合{Pij(x)，i = I,..., m, j=l,…，c},對m個分類器的后驗概率進行集成得到一個新的概率集合{q^x)，j=l，…，c}，最后選擇出最大的后驗概率值，其類別即為分類結(jié)果； 多數(shù)投票規(guī)則計算每個分類器的識別結(jié)果，然后進行投票，投票占多數(shù)的那一類作為最終的識別結(jié)果；可對于j類新的后驗概率q^x)和最終的識別類別可由下面的公式計算得到:
8.根據(jù)權利要求1所述的基于壓縮感知理論的選擇集成人臉識別方法，其特征所在于，所述步驟S3的具體方法:人臉有效識別器主要是根據(jù)測試圖像的稀疏系數(shù)的值決定的，采用下面的公式?jīng)Q定其是否是有效圖片；K表示所有的類別
全文摘要
本發(fā)明公開一種基于壓縮感知的選擇集成人臉識別方法，包括以下步驟1)本方法首先根據(jù)不同的特征提取方法和不同稀疏系數(shù)求解方法建立多個壓縮感知人臉分類器；2)通過選擇算法選擇多個由步驟1)中所產(chǎn)生的分類器組成集成分類器；3)利用人臉識別器快速判別待識別圖像是否為有效人臉圖像；4)將步驟3)中已識別為有效的人臉圖像根據(jù)集成分類器進行集成人臉識別。本發(fā)明提出的選擇集成人臉識別方法能夠集成人臉識別，提高系統(tǒng)穩(wěn)定性和泛化能力。本發(fā)明在ORL和YALE人臉庫上的試驗，驗證了本發(fā)明所提出的方法的可行性和有效性。
文檔編號G06K9/00GK103164710SQ20131005370
公開日2013年6月19日 申請日期2013年2月19日 優(yōu)先權日2013年2月19日
發(fā)明者涂淑琴, 薛月菊, 黃曉琳 申請人:華南農(nóng)業(yè)大學