人臉表示和相似度計算方法
【專利摘要】本發(fā)明公開了一種人臉表示和相似度計算算法。在離線訓練階段收集帶有標注的人臉訓練集，每人包含 50-100 張人臉圖像，將集合中圖像歸一化后劃分為 2*2 個相同大小的人臉塊。對每個人臉塊，稠密的提取 k*k 像素的小塊，進行均值歸零，方差歸一預(yù)處理后，基于 K-means 聚類學習卷積核。每個人臉塊得到 K 個卷積圖像，對整張輸入人臉的 K*2*2 個卷積圖像，分別進行均值 Pooling 操作和 ReLU 非線性操作后將所有響應(yīng)圖的特征拉直。對拉直后的特征，學習主成分分析（ PCA ）投影，經(jīng)過 PCA 降低維度后，基于線性判別分析（ LDA ）算法學習判別投影，得到緊湊、魯棒的人臉表示，對兩幅圖像的人臉表示進行內(nèi)積運算得到相似度。
【專利說明】人臉表示和相似度計算方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機視覺和圖像處理【技術(shù)領(lǐng)域】，特別的涉及人臉的表示和相似度計 算方法。

【背景技術(shù)】
[0002] 計算機人臉識別是指基于已知的人臉樣本庫，利用計算機分析圖像和模式識別技 術(shù)從靜態(tài)或動態(tài)場景中，識別或驗證一個或多個人臉，利用特征提取技術(shù)抽取人臉的多個 可能的特征表示，該技術(shù)被廣泛的應(yīng)用于公共安全，身份證明等重要場合，有效的進行人臉 識別的關(guān)鍵在于快速，準確的進行人臉特征表示。現(xiàn)有技術(shù)中已經(jīng)有一些人臉特征表示算 法，利用卷積核對輸入人臉圖像進行卷積處理得到人臉的多維特征向量表示，運算涉及的 卷積核選取沒有充分利用豐富的人臉訓練數(shù)據(jù)，特征向量的維度設(shè)置過小影響精度，設(shè)置 過大影響速度，從而整體上制約了人臉特征表示以及相似度計算的準確性。
[0003] 為克服現(xiàn)有技術(shù)的上述不足之處，本發(fā)明提出了一種基于卷積核學習的人臉表示 算法和相似度計算方法，利用訓練集離線學習得到的卷積核參與到人臉圖像的卷積操作 中，利用訓練集學習得到的降維和分析矩陣進行人臉判別特征提取，在得到緊湊、魯棒的人 臉表示后，能夠快速的得到圖像之間的相似度，實現(xiàn)了準確，快讀，魯棒的人臉表示和相似 度計算。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明提出了一種人臉表示和相似度計算方法，其特征在于： (1) 收集生成網(wǎng)絡(luò)人臉訓練集； (2) 利用訓練集中的人臉圖像訓練得到卷積核； (3) 利用所述卷積核，對訓練集中的人臉圖像進行特征表示； (4) 利用所述卷積核，對輸入人臉圖像進行特征表示； (5) 在訓練集中的人臉圖像特征表示中提取判別特征； (6) 在輸入人臉圖像特征表示中提取判別特征； (7) 利用判別特征，計算圖像相似度。
[0005] 優(yōu)選的是，其中步驟⑴具體為：選擇C個名人，其中c=l，2,……，C，名 人對應(yīng)有張圖像，其中50〈 W〈100,名人對應(yīng)的所有圖像集合為，將訓練集記為

【權(quán)利要求】
1. 一種人臉表示和相似度計算方法，其特征在于： (1) 收集生成網(wǎng)絡(luò)人臉訓練集； (2) 利用訓練集中的人臉圖像訓練得到卷積核； (3) 利用所述卷積核，對訓練集中的人臉圖像進行特征表示； (4) 利用所述卷積核，對輸入人臉圖像進行特征表示； (5) 在訓練集中的人臉圖像特征表示中提取判別特征； (6) 在輸入人臉圖像特征表示中提取判別特征； (7) 利用判別特征，計算圖像相似度。
2. 如權(quán)利要求1所述的方法，其中步驟⑴具體為：選擇C個名人 其中c=l，2,……，C，名人/丨對應(yīng)有張圖像，其中50〈 .Y,.,〈100,名人/丨對應(yīng)的所有圖 像集合為/p，將訓練集記為
，訓練集合中的圖像丨，其中 i=l,2,……，N，體現(xiàn)姿態(tài)、光照和表情的變化。
3. 如權(quán)利要求2所述的方法，其中步驟（2)具體為：將訓練集中的人臉圖像對齊，對齊 后的人臉圖像大小為128*80像素，將每幅圖像I劃分為2*2個大小相同的人臉塊，每個 人臉塊圖像大小為64*40像素，對所有圖像的所有人臉塊分別進行處理，得到卷積核。
4. 如權(quán)利要求3所述的方法，其中對所有圖像的所有人臉塊分別進行處理，得到 卷積核的步驟具體為：每幅圖像對應(yīng)位置j的人臉塊記為其中i=l，2,……N， ?i-r j=l, 2, 3, 4,在每個人臉塊i上提取k*k大小的小塊，步長為1，則該人臉塊，w表不為：
，其中l(wèi)〈k〈40,m=64-k+l，n=40_k+l， 計算
，將^咸去該均值\，并將每一維特征的方差歸一，得到每幅圖像X對 應(yīng)位置j的人臉塊表示：
，對所有N幅圖像對應(yīng)位置j的 人臉塊依次處理，將得到的N個表示I連接起來,得到訓練集中N幅圖像的位置j的人臉 塊表示為
對該f;進行K-means聚類學習，得到K個 聚類中心，記為：
，其中心表示其中的第t個聚類中心， t=l，2,……K，每個聚類中心作為一個獨立的卷積核，對所有圖像的所有位置j的人臉塊都 按照上述步驟分別進行卷積核學習，得到！/) ,j=l，2, 3, 4}。
5. 如權(quán)利要求4所述的方法，其中步驟（3)具體為：對人臉圖像卷積操作后進行 Pooling操作和ReLU操作以進行特征表示。
6. 如權(quán)利要求5所述的方法，其中的卷積操作具體為：將每個聚類中心心做為一 個卷積核，進行內(nèi)積運算
，將拉直的卷積向量€還原為二維圖像，對 訓練集中的人臉圖像X中的所有f,j=l，2, 3, 4,進行上述內(nèi)積運算，相同位置的人臉塊 對應(yīng)相同位置訓練得出的卷積核，共得到2*2*K個卷積圖像，其中每個卷積圖像的大小為m*n〇
7. 如權(quán)利要求6所述的方法，其中的Pooling操作具體為：利用均值Pooling操作來 提取不變特征，將每個m*n的卷積圖像劃分為4*4像素大小的不重疊的網(wǎng)格，計算每個網(wǎng)格 的均值，得到均值Pooling后的響應(yīng)圖，經(jīng)過Pooling操作后，每個響應(yīng)圖的大小為（m/4)* (n/4)。
8.如權(quán)利要求7所述的方法，其中的ReLU操作具體為：將均值Pooling操作后輸出的 響應(yīng)圖中的負響應(yīng)值歸0，保留正響應(yīng)值，通過ReLU操作，加入了特征的非線性，對于輸入 的
，將ReLU操作后的所有響應(yīng)圖拉直后得到的人臉塊 表示為/，特征維度為K* (m/4)* (n/4)，將2*2個位置得到的人臉塊表示/;依次連接起 來，得到訓練集人臉圖像.1的特征表示特征維度是A=2*2*K* (m/4)* (n/4)維。
9. 如權(quán)利要求4所述的方法，其中步驟（4)具體為：對人臉圖像卷積操作后進行 Pooling和ReLU操作以進行特征表示。
10. 如權(quán)利要求9所述的方法，其中的卷積操作具體為：對輸入人臉圖像7,對齊為 128*80像素的人臉圖像，將其劃分為2*2個大小相同的人臉塊，每個人臉塊圖像大小為 64*40像素，對應(yīng)位置j的人臉塊記為F, ,j=l，2, 3, 4,在每個人臉塊F:上提取k*k大小的 小塊，步長為1，則該人臉塊|丨表示為：
，其中
l〈k〈40,m=64-k+l，n=40-k+l，計算 ，將t.減去該均值，并將每一維特征的方 ' -- 1 差歸一，得到該圖像f的第j位置人臉塊的表示
，將每個聚 類中心心做為一個卷積核，進行內(nèi)積運算
，將拉直的卷積向量f還 原為二維圖像，對輸入人臉圖像7中的所有K,進行上述內(nèi)積運算，j=l，2, 3, 4,相同位置的 人臉塊對應(yīng)相同位置訓練得出的卷積核，共得到2*2*K個卷積圖像，其中每個卷積圖像的 大小為m*n。
11. 如權(quán)利要求10所述的方法，其中的Pooling操作具體為：利用均值Pooling操作 來提取不變特征，將每個m*n的卷積圖像劃分為4*4像素大小的不重疊的網(wǎng)格，計算每個網(wǎng) 格的均值，得到均值Pooling后的響應(yīng)圖，經(jīng)過Pooling操作后，每個響應(yīng)圖的大小為（m/4) * (n/4)。
12.如權(quán)利要求11所述的方法，其中的ReLU操作具體為：將均值Pooling后輸出的響 應(yīng)圖中的負響應(yīng)值歸〇,保留正響應(yīng)值，通過ReLU操作，加入了特征的非線性，對于輸入的
，將ReLU操作后的所有響應(yīng)圖拉直后得到的人臉塊表示為 /；，特征維度為K* (m/4)* (n/4)，將2*2個位置得到的人臉塊表示/；依次連接起來，得到 輸入人臉圖像7的表示/'，特征維度是A=2*2*K* (m/4)* (n/4)維。
13. 如權(quán)利要求12所述的方法，其中步驟（5)具體為：對人臉圖像特征表示經(jīng)過主成 分分析降維計算和線性判別分析得到判別特征。
14. 如權(quán)利要求13所述的方法，其中主成分分析降維計算的步驟具體為：計算訓 練集特征表示的協(xié)方差矩陣
，其中^是訓練集中所有N幅 圖像的特征表示&的均值，令
其中 ?^ri對應(yīng)孚的前r個最大特征值對應(yīng)的特征向量，對于輸A特征A，經(jīng)過主 成分分析降維后得到，
訓練集中的所有人臉圖像的特征表示經(jīng)過降 維后記為，,=|/|:，/s，......《，!/}。
15. 如權(quán)利要求13所述的方法，其中線性判別分析具體 歸另"十胃關(guān)B陳€ $瞧旬體&錢_誠M
，A表不第作個 人所有圖像~的特征向量主成分分析降維度后的均值，A是訓練集中所有圖像的特 征表示Z的均值，
，PCA_Dim=r，其中 {rJI=U,……，fi是以下泛化特征值問題最大的q個特征值H，=u........j對應(yīng) 的特征向量
，對/k.進行判別特征提取，得到判別特征
16. 如權(quán)利要求15所述的方法，其中步驟（6)具體為：對人臉圖像特征表示經(jīng)過主成分 分析降維計算和線性判別分析得到判別特征。
17. 如權(quán)利要求16所述的方法，其中的主成分分析降維計算具體步驟為：對輸入圖像7 的特征表示&，計算
得到^后，計算得到判別特征
18. 如權(quán)利要求16所述的方法，其中步驟（7)具體為：對~進行二范數(shù) 歸一得到
，對~進行二范數(shù)歸一得到
進行內(nèi)積計算 得到輸入圖像7和訓練集人臉圖像x的相似度。
i
【文檔編號】G06K9/66GK104408405SQ201410604043
【公開日】2015年3月11日 申請日期:2014年11月3日 優(yōu)先權(quán)日:2014年11月3日
【發(fā)明者】不公告發(fā)明人 申請人:北京暢景立達軟件技術(shù)有限公司