本發(fā)明涉及一種基于稀疏表示和均值哈希的人臉識別方法及系統(tǒng)。

背景技術(shù)：

人臉識別是計算機視覺領(lǐng)域中的核心內(nèi)容之一，它是對人臉圖像進(jìn)行特征提取、分類識別的過程，在獲得人臉圖像特征后，通過進(jìn)一步的算法分析處理，實現(xiàn)對人臉圖像的身份認(rèn)證。人臉識別是一門復(fù)雜的綜合，融合模式識別、計算機視覺、圖像處理等技術(shù)，可用于安防檢查、安全監(jiān)控、刑偵追蹤、身份識別等領(lǐng)域，具有廣泛的應(yīng)用前景。但由于受到人臉樣本數(shù)量的限制、類內(nèi)差異性、類間相似性、光照變化等諸多因素的影響，如何從人臉小樣本數(shù)據(jù)集中有效地提取人臉特征和高效的實現(xiàn)人臉分類，從而提高人臉識別的魯棒性和人臉識別的準(zhǔn)確率，是人臉識別領(lǐng)域的難題之一。因此，研究針對小樣本人臉數(shù)據(jù)庫，實現(xiàn)魯棒性強、識別率高的人臉識別算法具有極其重要的意義。

稀疏表示是基于壓縮感知理論提出的，其主要思想是在分類過程中利用訓(xùn)練樣本來組成字典，通過尋求測試樣本在字典上的線性組合來實現(xiàn)測試樣本的稀疏表示，若測試樣本屬于某一類別，則理論上該測試樣本可以通過該類別的所有訓(xùn)練樣本線性表示。但是稀疏表示算法僅考慮到了樣本間的稀疏性而忽略了樣本內(nèi)部的空間結(jié)構(gòu)信息，當(dāng)人臉圖像受到強烈的光照變化影響時，傳統(tǒng)的稀疏表示會降低人臉識別的魯棒性，人臉識別準(zhǔn)確率會明顯下降。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提供一種基于稀疏表示和均值哈希的人臉識別方法及系統(tǒng)，它有效提高了人臉特征提取的魯棒性，有利于提高人臉識別準(zhǔn)確率，同時提高了人臉識別的速度。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于稀疏表示和均值哈希的人臉識別方法，包括如下步驟：

步驟(1)：對人臉測試樣本和所有的人臉訓(xùn)練樣本進(jìn)行預(yù)處理：將彩色人臉樣本轉(zhuǎn)換成灰度圖像，并歸一化人臉測試樣本和所有的人臉訓(xùn)練樣本；

步驟(2)：采用稀疏表示模型提取樣本間的稀疏性特征：將人臉測試樣本編碼成所有人臉訓(xùn)練樣本的線性組合，計算人臉測試樣本在所有人臉訓(xùn)練樣本上的稀疏系數(shù)矩陣；

步驟(3)：提取人臉樣本內(nèi)部的空間結(jié)構(gòu)性特征：計算人臉測試樣本及每個人臉訓(xùn)練樣本的均值哈希特征；

步驟(4)：將人臉樣本間的稀疏性特征與樣本內(nèi)部的空間結(jié)構(gòu)性特征融合：將所有人臉訓(xùn)練樣本的均值哈希特征作為新的訓(xùn)練樣本，并用新的訓(xùn)練樣本和步驟(2)得到的稀疏系數(shù)矩陣來重構(gòu)人臉測試樣本；

步驟(5)：利用人臉測試樣本的均值哈希特征與重構(gòu)的人臉測試樣本之間的重構(gòu)誤差來判定人臉測試樣本的最終所屬類別。

所述步驟(1)歸一化人臉測試樣本和所有人臉訓(xùn)練樣本見公式(1)和(2)：

y＝y(tǒng)/||y||；(1)

其中，y∈r^s為人臉測試樣本的列向量表示，s＝w×h，s為灰度圖像的大小，w為灰度圖像的長，h為灰度圖像的寬；表示第c類的第j個人臉訓(xùn)練樣本的列向量表示；r表示實數(shù)，||y||表示人臉測試樣本的模，表示人臉訓(xùn)練樣本的模。

所述步驟(2)包括：

步驟(21)：將人臉測試樣本編碼成所有人臉訓(xùn)練樣本的線性組合：

y＝xa＝[x1,x2,...,xn][a1,a2,...,an]^t；(3)

其中，a＝[a1,a2,...ac...,an]，a表示所有人臉訓(xùn)練樣本在稀疏表示下的稀疏系數(shù)矩陣，ac表示的是來自第c類中所有人臉訓(xùn)練樣本所對應(yīng)的稀疏系數(shù)向量；

x＝[x1,x2,...xc...,xn]，x表示所有人臉訓(xùn)練樣本的列向量集合，xc∈r^s*m且r^s*m表示灰度圖像大小為s的m個人臉訓(xùn)練樣本的列向量集合，xc表示第c類的m個人臉訓(xùn)練樣本的列向量集合。

步驟(22)：使用目標(biāo)函數(shù)及求解公式對稀疏系數(shù)矩陣進(jìn)行求解：

μ是設(shè)定的正常數(shù)，i是單位矩陣；表示稀疏系數(shù)矩陣的解，且x^t表示人臉訓(xùn)練樣本的列向量的轉(zhuǎn)置。

所述步驟(3)，包括：

步驟(31)：計算每個人臉樣本其自身w×h個像素的均值像素：

其中，表示第c類的第j(j＝1,2,...,m)個人臉訓(xùn)練樣本的第p個像素值。

步驟(32)：將每個人臉樣本的每個像素值與該人臉樣本的均值像素值進(jìn)行大小比較：設(shè)像素值大于等于均值像素值的，像素值便二值化為1，而像素值小于均值像素值的，像素值便二值化為0，具體公式見公式(7)和公式(8)：

如果則

如果則

步驟(33)：

通過將每個像素值與均值像素值進(jìn)行大小比較，生成體現(xiàn)人臉樣本的均值哈希特征；

將第c類的第i個人臉訓(xùn)練樣本的均值哈希特征表示為并由0和1組成，且h＝[h1,h2,...,hc,...,hn]；

將人臉測試樣本的均值哈希特征表示為yh，并由0和1組成。hc表示第c類的人臉訓(xùn)練樣本的均值哈希特征集合、h表示所有人臉訓(xùn)練樣本的均值哈希特征集合、hn表示第n類的人臉訓(xùn)練樣本的均值哈希特征集合、表示第c類的第m(c-1)+1個人臉訓(xùn)練樣本的均值哈希特征。

所述步驟(4)的步驟為：

利用每個類別的稀疏系數(shù)向量和此類別的新訓(xùn)練樣本來重構(gòu)人臉測試樣本計算公式為：

所述步驟(5)的步驟為：

衡量人臉測試樣本均值哈希特征yh和重構(gòu)的人臉測試樣本之間的重構(gòu)誤差，若第c類的重構(gòu)誤差ec最小，則判定人臉測試樣本屬于第c類，計算重構(gòu)誤差的公式為：

一種基于稀疏表示和均值哈希的人臉識別系統(tǒng)，包括：

預(yù)處理模塊：對人臉測試樣本和所有的人臉訓(xùn)練樣本進(jìn)行預(yù)處理：將彩色人臉樣本轉(zhuǎn)換成灰度圖像，并歸一化人臉測試樣本和所有的人臉訓(xùn)練樣本；

樣本間的稀疏性特征提取模塊：采用稀疏表示模型，將人臉測試樣本編碼成所有人臉訓(xùn)練樣本的線性組合，計算人臉測試樣本在所有人臉訓(xùn)練樣本上的稀疏系數(shù)矩陣；

人臉樣本內(nèi)部的空間結(jié)構(gòu)性特征提取模塊：計算人臉測試樣本及每個人臉訓(xùn)練樣本的均值哈希特征；

特征融合模塊：將人臉樣本間的稀疏性特征與樣本內(nèi)部的空間結(jié)構(gòu)性特征融合：將所有人臉訓(xùn)練樣本的均值哈希特征作為新的訓(xùn)練樣本，并用新的訓(xùn)練樣本和步驟(2)得到的稀疏系數(shù)矩陣來重構(gòu)人臉測試樣本；

判定模塊：利用人臉測試樣本的均值哈希特征與重構(gòu)的人臉測試樣本之間的重構(gòu)誤差來判定人臉測試樣本的最終所屬類別。

本發(fā)明的有益效果：

1本人臉識別方法將稀疏表示模型的樣本間稀疏性特征與均值哈希算法的樣本內(nèi)結(jié)構(gòu)性特征相融合，針對人臉小樣本數(shù)據(jù)集，有效克服了稀疏表示算法僅考慮樣本間的稀疏性而忽略了樣本內(nèi)部空間結(jié)構(gòu)信息的缺點，同時可以去除人臉特征向量中的冗余信息，更好的提取人臉圖像的判別性信息。有效提高了人臉特征提取的魯棒性，有利于提高人臉識別準(zhǔn)確率，同時提高了人臉識別的速度。

2本人臉識別方法對強烈光照變化或?qū)Ρ榷鹊淖兓哂泻軓姷聂敯粜裕诹炼然驅(qū)Ρ榷劝l(fā)生改變的情況下，本方法的均值哈希特征都不會發(fā)生顯著的改變，可以有效避免伽馬校正被調(diào)整帶來的影響，繼而可以提高人臉的識別準(zhǔn)確率。

附圖說明

圖1是本發(fā)明方法的流程圖。

圖2是計算均值哈希特征的算法流程圖。

具體實施方式

下面結(jié)合附圖與實施例對本發(fā)明作進(jìn)一步說明。

本發(fā)明所述方法基于稀疏表示模型，采用均值哈希特征提取人臉樣本內(nèi)部的空間結(jié)構(gòu)性信息，將稀疏表示模型的樣本間稀疏性特征與均值哈希算法的樣本內(nèi)結(jié)構(gòu)性特征相融合來重構(gòu)人臉測試樣本，最后通過重構(gòu)誤差對人臉測試樣本進(jìn)行類別的分類。具體流程如圖1所示，包括如下步驟：

步驟1：對人臉測試樣本和所有的人臉訓(xùn)練樣本進(jìn)行預(yù)處理，即將彩色人臉樣本轉(zhuǎn)換成灰度圖像，并歸一化人臉測試樣本和所有的人臉訓(xùn)練樣本；

其中，歸一化人臉測試樣本和所有人臉訓(xùn)練樣本的公式如下：

y＝y(tǒng)/||y||

y∈r^s為人臉測試樣本，其中s＝w×h為灰度圖像的大小，表示第i類的第j個人臉訓(xùn)練樣本。

步驟2：為了提取樣本間的稀疏性特征，采用稀疏表示模型，將人臉測試樣本編碼成所有人臉訓(xùn)練樣本的線性組合，計算測試樣本在所有人臉訓(xùn)練樣本上的稀疏系數(shù)矩陣；

通過稀疏表示模型得到稀疏系數(shù)矩陣的具體方法包括：

1)將人臉測試樣本編碼成所有人臉訓(xùn)練樣本的線性組合，公式如下：

y＝xa＝[x1,x2,...,xn][a1,a2,...,an]^t

a＝[a1,a2,...,an]，a表示所有人臉訓(xùn)練樣本在稀疏表示下的稀疏系數(shù)矩陣，aj表示的是來自第j類中所有人臉訓(xùn)練樣本所對應(yīng)的稀疏系數(shù)向量；x＝[x1,x2,...,xn]，x表示所有人臉訓(xùn)練樣本的列向量集合，xc∈r^s*m表示第c類的m個訓(xùn)練樣本集合。

2)使用以下目標(biāo)函數(shù)及求解公式對稀疏系數(shù)矩陣進(jìn)行求解：

μ是較小的正常數(shù)，i是指的單位矩陣。

步驟3：為了提取人臉樣本內(nèi)部的空間結(jié)構(gòu)性特征，計算人臉測試樣本及每個人臉訓(xùn)練樣本的均值哈希特征；

計算均值哈希特征的算法流程如圖2所示，具體包括：

1)計算每個人臉樣本其自身w×h個像素的均值像素，公式如下：

上式中，表示第c類的第j(j＝1,2,...,m)個人臉訓(xùn)練樣本的第p個像素值。

2)將每個人臉樣本的每個像素值與此人臉樣本的均值像素值進(jìn)行大小比較：設(shè)像素值大于均值像素值的，此處像素值便二值化為1，而像素值小于均值像素值的，此處像素值便二值化為0，具體公式如下：

如果則

如果則

3)通過將每個像素值與均值像素值進(jìn)行大小比較，生成體現(xiàn)此人臉樣本的均值哈希特征。其中，將第c類的第i個人臉訓(xùn)練樣本的均值哈希特征表示為并由0和1組成，且h＝[h1,h2,...,hn]；將人臉測試樣本的均值哈希特征表示為yh，并由0和1組成。

步驟4：將人臉樣本間的稀疏性特征與樣本內(nèi)部的空間結(jié)構(gòu)性特征融合，將所有人臉訓(xùn)練樣本的均值哈希特征作為新的訓(xùn)練樣本，并用新的訓(xùn)練樣本和步驟2得到的稀疏系數(shù)矩陣來重構(gòu)人臉測試樣本；

重構(gòu)人臉測試樣本的具體方法為：利用每個類別的稀疏系數(shù)向量和此類別的新訓(xùn)練樣本來重構(gòu)人臉測試樣本計算公式為：

步驟5：利用人臉測試樣本的均值哈希特征與重構(gòu)人臉測試樣本之間的重構(gòu)誤差來判定人臉測試樣本的最終所屬類別。

具體方法為：

衡量人臉測試樣本均值哈希特征yh和重構(gòu)的人臉測試樣本之間的重構(gòu)誤差，若第c類的重構(gòu)誤差ec最小，則判定人臉測試樣本屬于第c類，計算重構(gòu)誤差的公式為：

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進(jìn)行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。