基于局部敏感的核稀疏表示的人臉識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于局部敏感的核稀疏表示的人臉識(shí)別方法。實(shí)現(xiàn)步驟為：(1)對(duì)人臉圖像樣本進(jìn)行預(yù)處理；(2)將預(yù)處理后的樣本數(shù)據(jù)映射到核特征空間；(3)在核特征空間中利用樣本數(shù)據(jù)的局部性信息計(jì)算相異性度量矢量；(4)求解含有相異性度量矢量的L-1范數(shù)最小化問題，得到樣本重構(gòu)的系數(shù)矢量；(5)利用獲得的樣本重構(gòu)的系數(shù)矢量重構(gòu)出一個(gè)新樣本，然后計(jì)算出這個(gè)重構(gòu)的新樣本與測(cè)試樣本的殘差；(6)取殘差為最小值所對(duì)應(yīng)樣本的類別號(hào)作為測(cè)試樣本的類別號(hào)。本發(fā)明計(jì)算比較簡(jiǎn)單，可有效提高人臉識(shí)別應(yīng)用中的精度，可用于身份驗(yàn)證、視頻監(jiān)控、人機(jī)交互等領(lǐng)域。
【專利說明】基于局部敏感的核稀疏表示的人臉識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，特別是涉及人臉的識(shí)別，可用于身份驗(yàn)證、視頻監(jiān) 控、人機(jī)交互等。

【背景技術(shù)】
[0002] 人臉識(shí)別是模式識(shí)別和計(jì)算機(jī)視覺等領(lǐng)域最富有挑戰(zhàn)性的課題之一，可以廣泛應(yīng) 用于身份驗(yàn)證、視頻監(jiān)控、人機(jī)交互等領(lǐng)域，多年來一直是一個(gè)研究熱點(diǎn)。分類器設(shè)計(jì)是人 臉識(shí)別技術(shù)中一個(gè)基本而極其重要的環(huán)節(jié)，分類器的好壞直接決定著人臉識(shí)別性能的高 低。目前，廣泛用于人臉識(shí)別的典型分類方法，主要有人工神經(jīng)網(wǎng)絡(luò)（ANN)、最近鄰法（NN) 以及支持向量機(jī)（SVM)等。
[0003] 再介紹稀疏表示理論。
[0004] 近年來，基于壓縮感知的稀疏表示理論已成為模式識(shí)別和計(jì)算機(jī)視覺等領(lǐng)域中 的非常熱門的研究課題。Wright等人利用稀疏表示系數(shù)的判別性提出了一種稀疏表示 分類方法（SRC)，取得了較高的人臉識(shí)別性能（見文獻(xiàn)：Wright J，Yang AY，Ganesh A，et al. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31 (2) :210-227)。為了進(jìn)一步提 升稀疏表示分類方法（SRC)的性能，Gao等人將SRC方法進(jìn)行核化擴(kuò)展，提出了一種基于 核稀疏表示的分類方法（KSRC)，在人臉識(shí)別中取得了比SRC方法更好的性能（見文獻(xiàn)： Gao S, Tsang Iff-H, Chia L~T. Sparse Representation With Kernels. IEEE Transactions on Image Processing, 2013, 22:423-434)。張莉等人也提出將核KSRC應(yīng)用于人臉的 識(shí)別方法（見專利：張莉等人.基于核稀疏表示的人臉識(shí)別方法-申請(qǐng)?zhí)?專利號(hào)： 200910024052. 1)。該KSRC方法本質(zhì)上是使用核技巧將原始特征數(shù)據(jù)非線性映射到一個(gè) 核特征空間，然后在這個(gè)核特征空間來尋找稀疏表示系數(shù)，用于人臉的判別。盡管KSRC方 法已成功應(yīng)用于人臉識(shí)別，但無法獲取數(shù)據(jù)的局部性信息，從而導(dǎo)致KSRC獲取的稀疏表 示系數(shù)的判別性受到限制，取得的分類效果還不太理想。然而，數(shù)據(jù)的局部性信息（data locality)是一種非常有用的特征信息，已經(jīng)被廣泛應(yīng)用于解決模式識(shí)別領(lǐng)域中的很多問 題，如最近鄰法（NN)設(shè)計(jì)，特征降維（如局部線性嵌入（LLE)方法）等。
[0005] 目前，在已有的人臉識(shí)別研究文獻(xiàn)中，還未見采用結(jié)合數(shù)據(jù)的局部性信息的核稀 疏表示理論應(yīng)用于人臉的識(shí)別。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的就是為了克服上述現(xiàn)有人臉識(shí)別中的分類技術(shù)的不足，利用數(shù)據(jù)的 局部性信息的重要性，提供一種基于局部敏感的核稀疏表示的人臉識(shí)別方法，即通過結(jié)合 數(shù)據(jù)的局部性信息在核特征空間進(jìn)行稀疏表示系數(shù)的求解，從而獲取具有良好判別性的稀 疏表示系數(shù)用于人臉的識(shí)別，以便進(jìn)一步提高人臉識(shí)別的性能。
[0007] 本發(fā)明所采用的技術(shù)方案是：
[0008] -種基于局部敏感的核稀疏表示表示的人臉識(shí)別方法，該方法按以下步驟：
[0009] 步驟1 :對(duì)人臉圖像樣本進(jìn)行預(yù)處理；
[0010] 步驟2 :將預(yù)處理后的樣本數(shù)據(jù)映射到核特征空間；
[0011] 步驟3 :在核特征空間中利用樣本數(shù)據(jù)的局部性信息計(jì)算相異性度量矢量；
[0012] 步驟4 :求解含有相異性度量矢量的L-1范數(shù)最小化問題，得到樣本重構(gòu)的系數(shù)矢 量；
[0013] 步驟5 :利用獲得的樣本重構(gòu)的系數(shù)矢量重構(gòu)出一個(gè)新樣本，然后計(jì)算出這個(gè)重 構(gòu)的新樣本與測(cè)試樣本的殘差；
[0014] 步驟6 :取殘差為最小值所對(duì)應(yīng)樣本的類別號(hào)作為測(cè)試樣本的類別號(hào)。
[0015] 其中，
[0016] (1)對(duì)人臉圖像樣本的預(yù)處理，包括：
[0017] 對(duì)得到的每一幅人臉圖像進(jìn)行亞采樣處理。為了進(jìn)一步降低圖像特征維度，采用 主成分分析（PCA)方法進(jìn)行圖像特征的降維，并將降維之后的人臉圖像的每個(gè)像素值歸一 化到方差為1和均值為0 ;
[0018] (2)將預(yù)處理后的樣本數(shù)據(jù)映射到核特征空間，包括：
[0019] 利用非線性映射核函數(shù)Φ，將預(yù)處理后的樣本數(shù)據(jù)X e Rd，包括訓(xùn)練樣本和測(cè)試 樣本，映射到一個(gè)潛在的核特征空間；在核特征空間中樣本數(shù)據(jù)X變?yōu)棣?χ);采用的非線 性映射核函數(shù)Φ為徑向基核函數(shù)，其形式為：
[0020] k (xi； Xj) = exp (-1 Xj-Xj 12/2 〇 2)(式 1)
[0021] 其中k(Xi，Xj)為核映射結(jié)果，0為徑向基核函數(shù)的參數(shù)；
[0022] (3)在核特征空間中利用樣本數(shù)據(jù)的局部性信息計(jì)算相異性度量矢量，包括：
[0023] 在核特征空間中，對(duì)于相異性度量矢量ρ的計(jì)算，采用核歐式距離的指數(shù)形式函 數(shù)：
[0024]

【權(quán)利要求】
1. 一種基于局部敏感的核稀疏表示的人臉識(shí)別方法，其特征在于，按如下步驟： 步驟1:對(duì)人臉圖像樣本進(jìn)行預(yù)處理； 步驟2 :將預(yù)處理后的樣本數(shù)據(jù)映射到核特征空間； 步驟3 :在核特征空間中利用樣本數(shù)據(jù)的局部性信息計(jì)算相異性度量矢量； 步驟4 :求解含有相異性度量矢量的L-1范數(shù)最小化問題，得到樣本重構(gòu)的系數(shù)矢量； 步驟5:利用獲得的樣本重構(gòu)的系數(shù)矢量重構(gòu)出一個(gè)新樣本，然后計(jì)算出這個(gè)重構(gòu)的 新樣本與測(cè)試樣本的殘差； 步驟6 :取殘差為最小值所對(duì)應(yīng)樣本的類別號(hào)作為測(cè)試樣本的類別號(hào)； 其中， (1) 對(duì)人臉圖像樣本的預(yù)處理，包括： 對(duì)得到的每一幅人臉圖像進(jìn)行亞采樣處理；為了進(jìn)一步降低圖像特征維度，采用主成 分分析（PCA)方法進(jìn)行圖像特征的降維，并將降維之后的人臉圖像的每個(gè)像素值歸一化到 方差為1和均值為〇 ; (2) 將預(yù)處理后的樣本數(shù)據(jù)映射到核特征空間，包括： 利用非線性映射核函數(shù)小，將預(yù)處理后的樣本數(shù)據(jù)x e Rd，包括訓(xùn)練樣本和測(cè)試樣本， 映射到一個(gè)潛在的核特征空間；在核特征空間中樣本數(shù)據(jù)x變?yōu)? (x);采用的非線性映射 核函數(shù)為徑向基核函數(shù)，其形式為： k (xi； Xj) = exp (-1 Xi-Xj 12/2 〇 2)(式 1) 其中k(Xi，Xp為核映射結(jié)果，。為徑向基核函數(shù)的參數(shù)； (3) 在核特征空間中利用樣本數(shù)據(jù)的局部性信息計(jì)算相異性度量矢量，包括： 在核特征空間中，對(duì)于相異性度量矢量P的計(jì)算，采用核歐式距離的指數(shù)形式函數(shù)：
其中dk(Xi，Xp是核歐式距離；在核特征
空間中，核歐式距離dk(Xi， Xp被定義為： 由于指數(shù)型局部算子Pij是隨著核歐式距離dK (Xi，Xj)的增長(zhǎng)而呈指數(shù)增長(zhǎng)，因此，當(dāng) 兩個(gè)樣本Xi和\相距較遠(yuǎn)時(shí)，將產(chǎn)生一個(gè)較大的Pij ; (4) 求解含有相異性度量矢量的L-1范數(shù)最小化問題，得到樣本重構(gòu)的系數(shù)矢量，包 括： (4-1)在核特征空間中，測(cè)試樣本(X)可以通過所有訓(xùn)練樣本表示為： (J) (x) = u a + e (式 4) 其中 a 為系數(shù)矢量，e 是誤差，y = |> p y 2, L, ii n]=[小匕)，4>(x2)，L, 4>(xn)] 表示在核特征空間中的所有訓(xùn)練樣本； (4-2)為了獲得樣本重構(gòu)的系數(shù)矢量a，求解下面含有相異性度量矢量的L-1范數(shù)最 小化問題：
式中A是正則化參數(shù)，符號(hào)?表示矢量對(duì)應(yīng)元素相乘；P e RnX1可稱為局部算子，用來 度量測(cè)試樣本 Mx)和 ii = [ii u ii2，L，iin] = [4> (X)，Mx2)，L, (xn)]各列之間的核 歐式距離，即用于測(cè)量測(cè)試樣本和每個(gè)訓(xùn)練樣本在核特征空間之間的歐式距離；因此，P是 一個(gè)相異性度量矢量，用來懲罰相應(yīng)的系數(shù)矢量a，故可稱為系數(shù)矢量a的權(quán)重矢量；求 解最小化問題式（5)的封閉形式的解析解，就得到了樣本重構(gòu)的系數(shù)矢量a ; (5) 利用獲得的樣本重構(gòu)的系數(shù)矢量重構(gòu)出一個(gè)新樣本，然后計(jì)算出這個(gè)重構(gòu)的新樣 本與測(cè)試樣本的殘差，包括： 利用式（5)求解到的樣本重構(gòu)的系數(shù)矢量a，對(duì)每一類（j = l，2，L，c)的測(cè)試 樣本x，先重構(gòu)出一個(gè)新樣本，然后計(jì)算出這個(gè)重構(gòu)的新樣本與測(cè)試樣本的殘差，即
(6) 取殘差為最小值所對(duì)應(yīng)樣本的類別號(hào)作為測(cè)試樣本的類別號(hào)，包括： 根據(jù)計(jì)算出的殘差結(jié)果，取殘差為最小值所對(duì)應(yīng)樣本的類別號(hào)作為測(cè)試樣本x的類別 號(hào) y，即.
2.根據(jù)權(quán)利要求1所述的基于局部敏感的核稀疏表示的人臉識(shí)別方法，其特征在于：(4-2)為了獲得樣本重構(gòu)的系數(shù)矢量a，求解含有相異性度量矢量的L-1范數(shù)最小化 問題，其推導(dǎo)過程包括： 設(shè)目標(biāo)函數(shù)。
> 求其一階導(dǎo)數(shù)：
其中K = iiTii G RnXn是對(duì)稱半正定的核Gram矩陣；L = k (Xi, Xj)和k ( ?，x)=
為了獲得式（6)的解，z
，即
-I" - 、丄w丄 、卜/
, ----、 通過求解式（8)，就可以直接得到L-1范數(shù)最小化問題式（5)的解析解，這樣就可以避 免采用繁雜的計(jì)算迭代方法求解L-1范數(shù)最小化問題。
【文檔編號(hào)】G06K9/00GK104281835SQ201410449304
【公開日】2015年1月14日 申請(qǐng)日期:2014年9月4日 優(yōu)先權(quán)日:2014年9月4日
【發(fā)明者】張石清, 趙小明 申請(qǐng)人:臺(tái)州學(xué)院, 張石清, 趙小明