基于四等分及各成分重構(gòu)誤差最優(yōu)組合的人臉圖像識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種人臉圖像識別方法，尤其涉及一種基于四等分及各成分重構(gòu)誤差 最優(yōu)組合的人臉圖像識別方法。
【背景技術(shù)】
[0002] 圖像識別是一項(xiàng)艱巨的任務(wù)。由于從互聯(lián)網(wǎng)或以其他方法可以輕松地獲得大量圖 像，所以圖像識別具有巨大的應(yīng)用前景，成為研宄的熱點(diǎn)之一。盡管目前已經(jīng)有許多圖像識 別方法，但是識別的準(zhǔn)確率和高效性仍然是研宄的重點(diǎn)。基于稀疏表示的圖像分類（SRC， Sparse Representation based Classification)方法成功地將稀疏編碼技術(shù)用于圖像分 類，通過基于原子字典的稀疏線性組合來重構(gòu)高維圖像，并且基于測試圖像與各個類別對 應(yīng)的重構(gòu)誤差對測試圖像進(jìn)行分類。SRC的成功歸功于圖像其類別的代表性樣本在低維流 形上的稀疏表示。許多SRC的擴(kuò)展方法主要集中在解決稀疏表示中數(shù)據(jù)的標(biāo)簽信息和局部 結(jié)構(gòu)被忽視，以及每一類對應(yīng)的子詞典之間存在一定的關(guān)系等問題上。
[0003] 目前的SRC及其擴(kuò)展方法有一個共同的缺點(diǎn)，即在進(jìn)行圖像識別時，將圖像作為 整體考慮，也就是說，對圖像的不同部分同等地考慮。實(shí)際上，一個圖像不同部分所包含的 判別信息是完全不同的。例如，在人臉識別中，如果我們把一個人臉圖像劃分成上下兩個大 小相同的部分，根據(jù)我們的經(jīng)驗(yàn)，上半部分會比下半部分更具有判別力。因此，在分類中同 等考慮不同的圖像部分可能沒有充分利用圖像的判別信息。如何將圖像各個部分按照判別 能力的大小進(jìn)行最優(yōu)組合，實(shí)現(xiàn)更有效的分類，成為了一個值得研宄的問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的就是為了解決上述問題，提供一種基于四等分及各成分重構(gòu)誤差最 優(yōu)組合的人臉圖像識別方法，提高人臉識別的準(zhǔn)確率。
[0005] 本發(fā)明的基本思想是：將所有圖像劃分成互不重疊和大小相等的若干部分，通過 SRC算法學(xué)習(xí)測試圖像每一部分用訓(xùn)練圖像相應(yīng)部分表示的稀疏系數(shù)和重構(gòu)誤差，構(gòu)建重 構(gòu)誤差矩陣。通過圖像每一部分的分類準(zhǔn)確率計(jì)算圖像各部分的最優(yōu)權(quán)重，對重構(gòu)誤差采 用最優(yōu)權(quán)重線性聚合的方法，為測試圖像分類。
[0006] 本發(fā)明采用如下技術(shù)方案：
[0007] -種基于各成分重構(gòu)誤差最優(yōu)組合的人臉圖像識別方法，其特征在于包括如下步 驟：
[0008] 步驟一：將已知類別屬性但屬于L個不同類別的人臉圖像訓(xùn)練樣本集X和人臉 圖像測試樣本Y以相同的方式，自上而下均勻劃分為互不重疊且大小相等的m個部分，劃 分后，第1類中的每個人臉圖像 Xlie Xdi e {1，2,…，％})分為m部分，每一部分記為 Xlij(j G {1，2,…，m})，其中，&表示整個人臉圖像訓(xùn)練樣本集X中的第1類，ni表示第1 類中的圖像數(shù)，第1類中所有圖像的第j部分組成的集合記為& ={xnW，~所有 L類訓(xùn)練圖像的第j部分組成的集合記為Xu) = {X ，…，，…，Xu}，測試圖像的每一部分 記為 yj(j G {1，2,…，m});
[0009] 步驟二：將所有訓(xùn)練圖像的第j部分矢量化后構(gòu)成字典矩陣，對測試圖像的第j部 分進(jìn)行稀疏編碼，得到第j部分的稀疏表示系數(shù)，記為Wj= (wlj;…，wlj;…；ww)，對j的 m個取值分別進(jìn)行同樣的操作，即對測試圖像的每一部分，均得到用訓(xùn)練圖像相應(yīng)部分線性 表示的稀疏表示系數(shù)，其中稀疏表示系數(shù)的求解根據(jù)如下公式得到：
[0010] mini |yj-XG)Wj| |2+入I |w」| lifor jG{1，2,…，m}，其中入是用于平衡重構(gòu)誤差與 稀疏度的參數(shù)；
[0011] 步驟三：計(jì)算測試圖像y每個部分對應(yīng)所有類相應(yīng)部分的稀疏表示的重構(gòu)誤差， 對第1類的第j部分的重構(gòu)誤差表示為扎=||yj-XljWlj||2,其中j e {1，2,…，m}和 1 e {1，2,…，L}，并得到圖像y的損失矩陣D(y)，該損失矩陣中第1行第j列元素由扎給 出，即
[0012]
【主權(quán)項(xiàng)】
1. 一種基于各成分重構(gòu)誤差最優(yōu)組合的人臉圖像識別方法，其特征在于包括如下步 驟： 步驟一：將已知類別屬性但屬于L個不同類別的人臉圖像訓(xùn)練樣本集X和人臉圖 像測試樣本Y以相同的方式，自上而下均勻劃分為互不重疊且大小相等的m個部分，劃 分后，第1類中的每個人臉圖像XlieXdie{1，2,…，％})分為m部分，每一部分記為 XliJ(jG{1，2,…，m})，其中，XI表示整個人臉圖像訓(xùn)練樣本集X中的第1類，nl表示第1 類中的圖像數(shù)，第1類中所有圖像的第j部分組成的集合記為& ={X/U.，…，\，…，xAw}，所有 L類訓(xùn)練圖像的第j部分組成的集合記為Xu) ={X，…，，…，Xu}，測試圖像的每一部分 記為yj(jG{1，2,…，m}); 步驟二：將所有訓(xùn)練圖像的第j部分矢量化后構(gòu)成字典矩陣，對測試圖像的第j部分進(jìn) 行稀疏編碼，得到第j部分的稀疏表示系數(shù)，記為Wj=(wlj;…，wlj;…；wu)，對j的m個 取值分別進(jìn)行同樣的操作，即對測試圖像的每一部分，均得到用訓(xùn)練圖像相應(yīng)部分線性表 示的稀疏表示系數(shù)，其中稀疏表示系數(shù)的求解根據(jù)如下公式得到： min| |yj-X(j)Wj| |2+入| |w」LforjG{1,2,…，m}，其中入是用于平衡重構(gòu)誤差與稀 疏度的參數(shù)； 步驟三：計(jì)算測試圖像y每個部分對應(yīng)所有類相應(yīng)部分的稀疏表示的重構(gòu)誤差，對第1 類的第j部分的重構(gòu)誤差表示為扎=| |yj-XljWlj| |2,其中je{1，2,…，m}和1e{1，2，? ，L}，并得到圖像y的損失矩陣D(y)，該損失矩陣中第1行第j列元素由&給出，即
步驟四：根據(jù)損失矩陣，計(jì)算測試圖像各個部分重構(gòu)誤差的最優(yōu)組合值； 步驟五：重構(gòu)誤差的最優(yōu)組合值最小的類即判斷為測試圖像的類，即根據(jù)如下公式為 測試圖像y分配預(yù)測類標(biāo)簽： Cx(y) =argminf^p) 〇
2. 如權(quán)利要求1所述的人臉圖像識別方法，其特征在于：步驟四中測試圖像各個部分 重構(gòu)誤差的最優(yōu)組合值的計(jì)算方法為：對驗(yàn)證圖像采用如上相同的劃分塊和稀疏編碼方 式，計(jì)算驗(yàn)證圖像對訓(xùn)練圖像第1類的第j部分的重構(gòu)誤差，對每一部分選取重構(gòu)誤差最小 的類作為該部分的分類標(biāo)簽，用每一部分的分類結(jié)果與真實(shí)的分類結(jié)果進(jìn)行比較，得到用 每一部分的分類結(jié)果作為圖像整體分類結(jié)果的分類準(zhǔn)確率IV并按照如下公式計(jì)算測試圖 像各個部分重構(gòu)誤差的最優(yōu)組合值：
其中，0是歸一化參數(shù)，不影響分類結(jié)果。
3. 如權(quán)利要求1或2所述的人臉圖像識別方法，其特征在于：取m的值為4,即將人臉 圖像自上而下劃分為面積相等且不重疊的四塊。
【專利摘要】本發(fā)明公開了一種基于四等分及各成分重構(gòu)誤差最優(yōu)組合的人臉圖像識別方法。將所有圖像劃分成互不重疊和大小相等的四部分，通過SRC算法學(xué)習(xí)測試圖像每一部分用訓(xùn)練圖像相應(yīng)部分表示的稀疏系數(shù)和重構(gòu)誤差，構(gòu)建重構(gòu)誤差矩陣。通過圖像每一部分的分類準(zhǔn)確率計(jì)算圖像各部分的最優(yōu)權(quán)重，對重構(gòu)誤差采用最優(yōu)權(quán)重線性聚合的方法，為測試圖像分類。在基于稀疏編碼的圖像分類方法基礎(chǔ)上，對圖像不同成分進(jìn)行加權(quán)線性組合，為判別力較強(qiáng)的部分分配較高的權(quán)值，為判別力較弱的部分分配較低的權(quán)值，從而使圖像的整體判別力得到提升，提高了識別準(zhǔn)確度。提出的各成分重構(gòu)誤差的最優(yōu)組合方法對圖像不同部分的稀疏重構(gòu)誤差進(jìn)行最優(yōu)組合，提高了人臉識別準(zhǔn)確率。
【IPC分類】G06K9-62, G06K9-00
【公開號】CN104573726
【申請?zhí)枴緾N201510014901
【發(fā)明人】張化祥, 王永欣, 李靜, 王強(qiáng)
【申請人】山東師范大學(xué)
【公開日】2015年4月29日
【申請日】2015年1月12日