別方法，其特征在于，步驟2 中，所述根據(jù)人臉檢測方法定位人臉關鍵點包括對人臉圖片中的關鍵點進行定位，得到雙 目艮，鼻子，嘴巴共四個人臉部件周圍的點作為關鍵點，所述根據(jù)人臉關鍵點確定人臉部件位 置包括根據(jù)雙眼，鼻子，嘴巴周圍關鍵點的位置確定一個矩形區(qū)域來包含人臉部件，所述提 取每個人臉部件的特征構造人臉部件字典包括提取人臉部件對應的矩形區(qū)域內的方向梯 度直方圖特征作為人臉部件的特征，為每個人臉部件都構造一個局部字典，構造局部字典 的方法如下： 將人臉部件特征分為K個類，K為大于1的自然數(shù)，設第i類有隊個樣本，f u為第i個 類第j個樣本的特征，為一個行向量，i取值為1~K，j取值范圍1~Ni,則局部字典D定 義如下： D - [fl，l;f 1，N1;· · · ;f m，l;f m，Nm;· · · ;f K，l;f Κ,ΝΚ]。4. 如權利要求3所述的一種基于稀疏表示的增量人臉識別方法，其特征在于，步驟3 中，對一張測試圖片進行人臉關鍵點定位和人臉部件定位，得到這張測試圖片中人臉的雙 目艮、鼻子、嘴巴四個人臉部件特征，然后在訓練集劃分出來的N個子集的每個子集中都進行 一次步驟4~5的分類判別。5. 如權利要求4所述的一種基于稀疏表示的增量人臉識別方法，其特征在于，步驟4包 括： 對于訓練人臉圖片集得到的四個人臉部件對應的矩形區(qū)域局部塊，每一個都進行如下 操作： 設定局部塊得到的方向梯度直方圖特征為y，根據(jù)局部字典D得到一個稀疏系數(shù)x，x滿 足： y = Dx, 通過最小化稀疏系數(shù)X絕對值迭代得到稀疏系數(shù)免 殳=3叩〇111!丨丨\丨丨1滿足|^-0叉||1<6， 其中ε =0.05,局部字典D有N項，稀疏系數(shù)X是一個N維向量，其中Xi, j表示X對應 局部字典D中第i個類的第j個項的系數(shù)；用Di表示D中屬于類i的字典部分，對于不屬 于類i的部分設為〇,屬于類i的部分為保留原值，用γ i (X)表示稀疏系數(shù)X中對應局 部字典D中屬于類i的項的系數(shù)值，對于不屬于類i的項，在Yi(X)中的值都為0， Di [0 ; 0 ; · · · ; f i，1; · · · ; f i，Ni; · · · ; 〇 ; 〇]， y i (χ) - [〇 ;〇 ;· · · ;Xi, 1;· · · ;χ i, Ni;〇· · · ;〇 ;〇]， 最后分類結果r為具有最小重建誤差的類： r = argmirii I I y- γ i (X) *D I I!， 重建誤差residual表示如下： residual = I y~ y r (x) *Dr M1, 對于每個子集中的每個人臉部件都能得到一個分類結果r以及重建誤差residual， 對于其中任一子集，令四個人臉部件得到的重建誤差為residuall、residual2、residual3 和;residual4，residual minl和;residual min2分別代表;residuall、residual2、residual3 和 residual4 中最小和第二小的值，residual^代表 residuall、residual2、residual3 和 residual4 中的第 i 個結果；如果 residualiC residual minl+residualmin2，則判定第 i 個部 件是合格部件，否則將第i個部件丟棄，此時記錄這個子集中的合格部件個數(shù)為Ngtrad，在此 子集下全局人臉特征構造如下： 令fpartl，fpart2, fpart3，fpart4分別代表從四個人臉部件得到的局部特征，均為 行向量形式，代表全局特征，則從1到4遍歷i，如果第i個部件為合格部件，則將 fparti加入到全局特征中，即fwhaLefaee= [fwh()lefaee fparti]，遍歷完成之后得到全局人臉特 征，在此子集下全局人臉字典構造如下： 令該子集的四個人臉部件的局部字典分別為Dl，D2, D3, D4,每個局部字典的構造都如 下所示： D = [fl ；f2 ；f3 ；. . . ；fn], fi為一個行向量，若該子集中有η個訓練樣本，則D中一共有η個對應的行向量， 令Dwh^fare代表全局字典，則從1到4遍歷i，如果第i個部件為合格部件，則將Di 加入到全局字典Dwtolefare中，D wtole;fac;e;中第k行數(shù)據(jù)定義為fDwholeface k，Di中第k行 數(shù)據(jù)為fDik，則將Di加入全局字典之后，全局字典中第k行數(shù)據(jù)變?yōu)閒wholeface k= [fDwholefacekfDik]，從而得到這個子集上的全局人臉字典。6.如權利要求5所述的一種基于稀疏表示的增量人臉識別方法，其特征在于，步驟5 包括，在每個子集上，根據(jù)得到的合格部件結果，在四個局部字典的基礎上得到全局人臉字 典，之后得到在此子集上測試人臉全局特征，具體過程如下： 令ftestl，ftest2，ftest3，ftest4分別為測試人臉的四個局部人臉部件特征， ftestwhaLrfaM；為測試人臉的全局特征，從1到4遍歷i，如果在這個子集中第i個部件為合格 部件，則 ftestwholeface= [ftest wholeface ftesti], 得到測試人臉全局特征之后根據(jù)全局人臉字典得到此子集的全局人臉分類結果，判斷 測試人臉屬于類別r，以及對應的重建誤差residual : residual = | | ftestwholeface-γ r (x) *D wholeface I I I? |..||1為1范式符號，即求絕對值，丫?代表稀疏系數(shù)中屬于類別1'的部分，〇^1#_ 代表全局字典，γ Jx)*Dwh()lrf_代表將稀疏系數(shù)中屬于類別r的部分與全局字典中對應的 屬于類別r的項IX相乘得到的結果，如下所示：7. 如權利要求6所述的一種基于稀疏表示的增量人臉識別方法，其特征在于，步驟6中 包括根據(jù)每個子集的分類結果，重建誤差residual以及合格部件數(shù)目N gwd，比較每個子集 的residual/I Ngtrad I，并將此值最小的子集的分類結果作為最終結果。8. 如權利要求7所述的一種基于稀疏表示的增量人臉識別方法，其特征在于，包括步 驟7,對于新加入的訓練樣本，首先判斷它是否是子集中已存在的類別，如果是，則提取它的 人臉部件特征之后加入到對應的子集中，否則隨機選擇一個子集加入它的人臉部件特征， 之后更新對應子集中的人臉部件字典，具體包括：對于一個新加入的訓練樣本，首先提取它 的雙眼，鼻子，嘴巴共四個人臉部件的特征，之后尋找這個新加入樣本加入的子集，如果是 已有的類別，則加入到包含這個類別的子集中，否則隨機選擇一個子集加入，之后將這四個 人臉部件特征加入這個子集中對應的人臉部件字典中，更新人臉部件字典，其它子集不做 任何更新處理。
【專利摘要】本發(fā)明提供了一種基于稀疏表示的增量人臉識別方法，包括通過人臉檢測獲取人臉關鍵點信息，確定人臉局部塊位置，分別提取每個局部塊HOG特征，根據(jù)稀疏表示分類方法為每個局部塊構造一個局部人臉字典，在測試時根據(jù)測試圖片動態(tài)選擇部件特征生成全局人臉字典。對于一張測試人臉圖片，提取局部塊特征，在對應局部人臉字典上進行測試，根據(jù)得到的局部結果判斷人臉部件的好壞，根據(jù)好壞結果挑選出合格部件，將訓練集中合格部件特征連接構建全局人臉字典，構建測試圖片全局人臉特征，得到的全局結果為最終結果。在增量處理上將整個訓練集根據(jù)類別分成N個互斥的子集，在每個子集上都進行處理得到判別結果，在所有子集中進行競爭得到最終的結果。
【IPC分類】G06K9/00
【公開號】CN104978569
【申請?zhí)枴緾N201510345789
【發(fā)明人】楊若瑜, 葉君健
【申請人】南京大學
【公開日】2015年10月14日
【申請日】2015年7月21日