一種類別特色字典和共享字典學(xué)習(xí)的人臉表示算法
【專利摘要】本發(fā)明公開了一種類別特色和共享字典學(xué)習(xí)的人臉表示算法，所述人臉表示算法主要包括類別特色字典學(xué)習(xí)算法和共享字典學(xué)習(xí)算法兩大模塊；所述類別特色字典學(xué)習(xí)主要通過約束類別子字典之間盡量相互不相關(guān)以及稀疏系數(shù)類內(nèi)方差盡量小類間方差盡量大，提高類別子字典和稀疏系數(shù)的辨別性。所述的類間共享字典是為了得到測(cè)試樣本可能包含的各種復(fù)雜的變化本發(fā)明的積極效果在于為訓(xùn)練樣本為正常人臉、測(cè)試樣本包含復(fù)雜變化的人臉表示方式提供理論支撐，為提高人臉識(shí)別的效率提供了實(shí)驗(yàn)依據(jù)。
【專利說明】
一種類別特色字典和共享字典學(xué)習(xí)的人臉表示算法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種自適應(yīng)人臉表示算法，特別是一種針對(duì)訓(xùn)練樣本為正常人臉、測(cè) 試樣本包含光照表情姿態(tài)遮擋等變化的人臉表示算法。
【背景技術(shù)】
[0002] 近年來，人臉識(shí)別已被廣泛研究，并試圖應(yīng)用于實(shí)際場(chǎng)景。其中基于稀疏表示的方 法取得了很好的人臉識(shí)別效果，而字典學(xué)習(xí)作為稀疏表示的關(guān)鍵，已被廣泛研究。通過學(xué)習(xí) 方法得到字典的方法可以分為兩種，一種是為所有類別學(xué)習(xí)一個(gè)整體字典而另一種是為每 一類數(shù)據(jù)學(xué)習(xí)一個(gè)對(duì)應(yīng)的子字典。前者對(duì)應(yīng)的稀疏系數(shù)是具有辨別性的，例如Jiang等人通 過增加同類系數(shù)更加相似這一約束來學(xué)習(xí)字典。此外，非負(fù)稀疏約束、局部稀疏約束也可有 效提高稀疏系數(shù)的分類能力。然而，學(xué)習(xí)整體字典的方法會(huì)丟失字典原子與訓(xùn)練數(shù)據(jù)標(biāo)簽 之間的聯(lián)系，無法充分利用每類數(shù)據(jù)的重構(gòu)誤差進(jìn)行分類。后者對(duì)應(yīng)的稀疏系數(shù)和字典均 是具有辨別性的，如Sprechmann等人利用稀疏系數(shù)為每類訓(xùn)練數(shù)據(jù)學(xué)習(xí)子字典，并應(yīng)用于 人臉識(shí)別和聚類;Yang等人提出的H)DL算法基于Fisher準(zhǔn)則，使學(xué)習(xí)到的稀疏系數(shù)具有更 強(qiáng)的分類能力；同時(shí)，Ca等人提出的SVGDL算法利用SVM的思想通過參數(shù)的方法用于辨別字 典學(xué)習(xí)。但實(shí)際上，以上辨別子字典學(xué)習(xí)的方法均需在訓(xùn)練樣本充分的前提下才能達(dá)到理 想的效果，且在測(cè)試數(shù)據(jù)相較于訓(xùn)練數(shù)據(jù)存在較大的差異時(shí)，分類結(jié)果也不佳。為了解決這 個(gè)問題，Zhou等人利用馬爾科夫隨機(jī)場(chǎng)的思想，在測(cè)試樣本中存在局部連續(xù)遮擋時(shí)仍能取 得較好的分類效果。Deng等人提出的ESRC算法通過計(jì)算輔助數(shù)據(jù)中有變化的數(shù)據(jù)與標(biāo)準(zhǔn)數(shù) 據(jù)的差異來構(gòu)造類內(nèi)變化字典，用于緩解測(cè)試數(shù)據(jù)存在較大差異這一難題。隨后，Deng等人 又提出SSRC算法，通過計(jì)算每類輔助數(shù)據(jù)到其類中心的差異來減少輔助字典中原子的數(shù) 量，這兩種方法在測(cè)試數(shù)據(jù)存在較大差異時(shí)分類效果均有所提升。由此可見，輔助數(shù)據(jù)發(fā)揮 了至關(guān)重要的作用，而在ESRC和SSRC中，通過偏手工的方法計(jì)算輔助字典則會(huì)受輔助數(shù)據(jù) 個(gè)體的影響，從而降低其泛化能力。同時(shí)，這兩種方法作為SRC的擴(kuò)展，也是直接將訓(xùn)練數(shù)據(jù) 作為字典。相應(yīng)地，其字典的辨別能力也是不足的。
[0003] 基于以上討論，本發(fā)明旨在解決訓(xùn)練樣本有限，測(cè)試樣本含有未知變化的復(fù)雜情 況下的人臉表示問題。通過類別子字典學(xué)習(xí)使學(xué)習(xí)到的類別子字典盡量相互不相關(guān)，從而 提高子字典的分類能力;此外，令稀疏系數(shù)類內(nèi)方差盡量小類間方差盡量大以提高稀疏系 數(shù)的辨別性;與此同時(shí)，通過學(xué)習(xí)的方法得到類內(nèi)變化字典有效降低了偏手工輔助字典的 局限性。經(jīng)過不斷的研究、設(shè)計(jì)和實(shí)驗(yàn)驗(yàn)證之后，終于得出了頗具實(shí)用價(jià)值的本發(fā)明。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于，克服現(xiàn)有的人臉表示算法在復(fù)雜條件下表現(xiàn)不夠理想， 提出一種類別子字典和稀疏變化字典結(jié)合的人臉表示算法，提高了復(fù)雜環(huán)境下人臉識(shí)別的 準(zhǔn)確率。
[0005] 本發(fā)明提出的一種類別特色字典和稀疏變化字典結(jié)合的人臉表示算法，所述算法 主要包括類別特色字典學(xué)習(xí)和類間共享字典學(xué)習(xí)兩大部分;所述類別特色字典是通過約束 類別子字典之間盡量相互不相關(guān)以及稀疏系數(shù)類內(nèi)方差盡量小類間方差盡量大，提高類別 子字典和稀疏系數(shù)的辨別性。與此同時(shí)，為了解決測(cè)試樣本存在一系列變化的問題，提出通 過輔助數(shù)據(jù)學(xué)習(xí)測(cè)試樣本可能存在的變化。
[0006] 本發(fā)明的實(shí)現(xiàn)步驟如下：
[0007] si:分別對(duì)訓(xùn)練樣本、測(cè)試樣本、輔助樣本進(jìn)行特征提取。每幅人臉圖像的特征提 取具體步驟包括：
[0008] SlOl:對(duì)相應(yīng)的人臉圖像進(jìn)行人臉區(qū)域檢測(cè)；
[0009] S102:對(duì)檢測(cè)到的人臉進(jìn)行人臉特征點(diǎn)檢測(cè)，一般情況下檢測(cè)人臉的五個(gè)特征點(diǎn)， 包括眼睛、鼻尖、嘴角部分。通過檢測(cè)到的特征點(diǎn)進(jìn)行人臉區(qū)域的裁剪；
[0010] S103:按照步驟S102得到的各部分人臉，組成訓(xùn)練樣本矩陣、測(cè)試樣本矩陣、輔助 數(shù)據(jù)矩陣，并通過PCA將樣本投影到相同的空間。
[0011] S2:將訓(xùn)練樣本進(jìn)行類別特色字典學(xué)習(xí)，類別特色字典學(xué)習(xí)的目的是得到更具有 分類能力字典，其特征在于，其目的是最小化目標(biāo)函數(shù)(1):
[0012]
[0013]訓(xùn)練數(shù)據(jù)A= M1，A2，…，Ακ}，其中為e 為第i類訓(xùn)練數(shù)據(jù)，X^A^D重構(gòu)的稀疏 系數(shù)，-是乂樹^重構(gòu)的稀疏系數(shù)，Xi e 為第i類數(shù)據(jù)的稀疏系數(shù)，類別字典為D= (D1 ,D2，…， Dk}，其中Di為學(xué)習(xí)到的第i類的字典，字典D中除了Di之外剩余的集合表示為Di-，Di-= [D1，…，Dp1，
(Mi 為稀疏系數(shù)的類內(nèi)方差和類間方差。具體的步驟包括：
[0014] S201:初始化類別特色字典，此時(shí)初始化的方法一般包括隨機(jī)初始化和特征向量 初始化的方法；
[0015 ] S202 :初始化字典之后，計(jì)算每個(gè)訓(xùn)練樣本由初始化字典表示得到的稀疏系數(shù)。更新的 方法為求解泛(為）=細(xì)咕間4為,紀(jì)+別1別11}，其中￡(4%右）=丨14-乃別|^4 并計(jì)算每個(gè)樣本由初始化字典重構(gòu)的重構(gòu)誤差；
[0016] S203:稀疏系數(shù)更新完之后，更新每個(gè)類別特色字典中的原子;逐個(gè)更新子字典， 當(dāng)更新第j個(gè)子字典，默認(rèn)其他子字典h (i矣j)已更新完畢。
[0017] S204:判斷是否符合迭代的條件，若符合則停止迭代得到類別特色字典，否則返回 重復(fù)步驟S202和步驟S203。
[0018] S3:通過輔助數(shù)據(jù)中的正常人臉和變化人臉迭代求解稀疏變化字典，其特征在于， 其目的為學(xué)習(xí)到測(cè)試數(shù)據(jù)中可能存在的變化。其具體步驟包括：
[0019] S301:共享字典學(xué)習(xí)時(shí)字典初始化方法為隨機(jī)初始化；
[0020] S302:共享字典學(xué)習(xí)，原理為每一類的變化人臉減去該類的正常人臉。其特征在 于，通過以下方式得到Ds = [Bi-mici，B2-m2C2,…，BkikCk]其中.Q eUBk為第k類 的變化數(shù)據(jù)。
[0021] S4:得到類別特色字典和稀疏變化字典之后，重構(gòu)測(cè)試數(shù)據(jù)，可將子字典與共享字 典結(jié)合組成K個(gè)子字
[0022] S401:重構(gòu)
其中^為類別特色字典上的稀疏系數(shù)，％為稀疏變化字典上的稀疏系數(shù)；[00231 以彳+管甫拔1彳呈荖你菊丨田S講軒人臉分類，具體的由每類數(shù)據(jù)重構(gòu)的重構(gòu)誤差
y 于是測(cè)試數(shù)據(jù)的標(biāo)簽為identify (y) = arg ΓΓι丄ill L。1 j 0
[0024] 本發(fā)明具有明顯的有益效果。借由上述技術(shù)方案，本發(fā)明的類別特色和類間共享 字典結(jié)合的人臉表示算法的優(yōu)點(diǎn)是，為人臉識(shí)別算法增加了魯棒性，提高了訓(xùn)練樣本為正 常臉，測(cè)試樣本包含豐富的干擾變化的情況下的人臉識(shí)別的效率。在使用的實(shí)用性及成本 效益上，確實(shí)完全符合產(chǎn)業(yè)發(fā)展所需，相當(dāng)具有產(chǎn)業(yè)利用價(jià)值。
【附圖說明】
[0025] 圖1為人臉圖像預(yù)處理流程圖；
[0026] 圖2為本發(fā)明類別特色字典和稀疏變化字典人臉表示流程圖；
[0027]圖3為稀疏變化字典學(xué)習(xí)原理圖；
[0028]圖4類別特色字典和稀疏變化字典的人臉表示原理圖；
[0029]圖5 AR數(shù)據(jù)庫(kù)上訓(xùn)練和測(cè)試樣本；
[0030]圖6為AR庫(kù)上實(shí)驗(yàn)2圖片尺寸為120*165的實(shí)驗(yàn)結(jié)果圖；
[0031]圖7為AR庫(kù)上實(shí)驗(yàn)2圖片尺寸為60*80的實(shí)驗(yàn)結(jié)果圖。
【具體實(shí)施方式】
[0032] 為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí) 施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明，這些附圖均為簡(jiǎn)化的示意圖，僅以示意方式說明本 方面的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。
[0033] 本發(fā)明的實(shí)驗(yàn)平臺(tái)為MATLAB 2014,計(jì)算機(jī)主機(jī)配置：Inter(R)Core(TM) 15-3470 的中央處理器，8GB內(nèi)存。
[0034] 實(shí)施例
[0035] 現(xiàn)結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說明，參見圖1和圖2,一種類別特色字典和共享字 典學(xué)習(xí)的人臉表示算法的具體步驟：
[0036] 1.輸入樣本，通過步驟SlOl得到人臉區(qū)域，通過步驟S102得到裁剪后的人臉，此時(shí) 人臉以矩陣形式存儲(chǔ)，以便后續(xù)的特征降維。然后通過PCA尋找投影矩陣，記投影矩陣為W， 注意此處的投影矩陣是通過計(jì)算訓(xùn)練樣本的最佳投影矩陣得到的，投影之后的訓(xùn)練樣本、 測(cè)試樣本、輔助數(shù)據(jù)均在一個(gè)空間中。
[0037] 2.步驟S2類別特色字典學(xué)習(xí)的詳細(xì)過程如下：
[0038] (1)初始化字典D
[0039]將訓(xùn)練數(shù)據(jù)A的特征向量初始化為字典的原子，且將字典的每一類歸一化為 \\DiX：J)\\2 =IlVilJ-,
[0040] (2)固定字典，更新X目標(biāo)函數(shù)轉(zhuǎn)換為：
[0041] Q(Xi) = +.2)·'丨14110(2)
[0042] 其中γ =h/2，Xi的求解可通過SRC中的方法；
[0043] (3)固定X，更新D。逐個(gè)更新子字典，當(dāng)更新第j個(gè)子字典，默認(rèn)其他子字典 j)已更新完畢，因此目標(biāo)函數(shù)可轉(zhuǎn)化為：
[0047] 其中Ai. = = [Α,?同理，逐個(gè)更新込.=.[#,-.tip:]中的原子，當(dāng)更新Cif時(shí)，
其他原子已更新完畢，設(shè)Zi =[ Z⑴；…；Z (m)]，其中Z (k)為Zi的第Η?，-于是有：
[0053] (4)重復(fù)步驟2和步驟3直到前后兩次的函數(shù)Q的值達(dá)到閾值或者達(dá)到最大迭代次 數(shù)為止
[0054] 3.步驟S4類別特色字典和稀疏變化字典的人臉表示算法
[0055] 類^特色與稀疏變化字典的人臉表示算法的原理見圖4。得到類別特色字典和稀疏變化字典 之后，重構(gòu)測(cè)試數(shù)據(jù)，可將子字典與共享字典結(jié)合組成K個(gè)字典S 1 =間,os]，δ2 = [02, Di]，·"，Sff = [Oft !y:, 用于重構(gòu)測(cè)試數(shù)據(jù)，計(jì)算測(cè)試數(shù)據(jù)y由每個(gè)字典重構(gòu)時(shí)的稀疏系數(shù)：
[0056]
[0057]
[0058]
[0059]同樣地，y的標(biāo)簽為：
[0060] identify(y) =arg miru{ei} (10)
[0061] 通過上述算法具體的工作過程，本發(fā)明的類別特色字典為訓(xùn)練樣本僅為一個(gè)正常 人臉的情況下的學(xué)習(xí)更具有分類能力的字典。稀疏變化字典學(xué)習(xí)算法，旨在解決測(cè)試樣本 含有豐富變化的情況下的人臉表示問題。提高了訓(xùn)練樣本為正常臉，測(cè)試樣本包含豐富的 干擾變化的情況下的人臉識(shí)別的效率。
[0062] 4.實(shí)驗(yàn)結(jié)果與分析
[0063]為了驗(yàn)證本發(fā)明算法的有效性，在AR、CMUPIE數(shù)據(jù)集上設(shè)計(jì)了實(shí)驗(yàn)。數(shù)據(jù)集樣本見 圖4。同時(shí)為了對(duì)比本文算法在人臉表示上的優(yōu)越性，首先將算法進(jìn)行PCA降維后，利用CRC、 3此、順、？001^』5此、5￥601^與本文的算法進(jìn)行分類。其中本文算法類別特色字典中可變參數(shù) 均通過五折交叉驗(yàn)證得到，其中A 1、λ2可從集合中{〇. 1，〇. 05，0.01，0.005，0.001}中選擇，在 所有的實(shí)驗(yàn)中均取ω =0.5。
[0064] AR庫(kù)上實(shí)驗(yàn)
[0065] 在AR庫(kù)中，設(shè)計(jì)了兩組實(shí)驗(yàn):實(shí)驗(yàn)1和實(shí)驗(yàn)2。
[0066]在實(shí)驗(yàn)1中隨機(jī)選取100人用于實(shí)驗(yàn)，每人一張正面人臉用于訓(xùn)練，其余每個(gè)人的 26張圖片被分為7個(gè)集合，如圖5,其中沒有光照表情變化的兩張人臉用于訓(xùn)練，其余的用于 測(cè)試，S1為包含表情變化的樣本;S 2為包含光照變化的樣本;S3為包含遮擋變化的樣本;S4為 戴眼鏡且包含光照變化的樣本;S 5為戴圍巾且包含光照變化的樣本;S6= {S4，S5}為包含遮 擋和光照變化的樣本。實(shí)驗(yàn)圖片下采樣為60X80,無其他任何預(yù)處理操作，最后采用PCA將 樣本降為160維。圖3中，（a)圖為每類數(shù)據(jù)的正常臉的平均臉，（b)圖為AR庫(kù)中輔助數(shù)據(jù)得到 的部分類間共享字典。表1為各算法在各集合上的識(shí)別率。
[0067]表1:算法在AR庫(kù)上的實(shí)驗(yàn)1的結(jié)果（％ )
[0069] 從表1中可看出，本文算法在集合Si、S2、S3、S5、S6中均取得了最好的分類結(jié)果，表明 CSSVDL算法在測(cè)試樣本與訓(xùn)練樣本差異較大的情況下，也能達(dá)到理想的效果。此外ESRC和 本文算法在僅存在光照變化的集合S 2上的準(zhǔn)確率均達(dá)到了98%以上，這說明在測(cè)試樣本含 有光照變化時(shí)引入了類內(nèi)差異字典學(xué)習(xí)的方法可有效提高識(shí)別率。同樣ESRC、SSRC的分類 準(zhǔn)確率優(yōu)于原始的SRC也表明引入輔助字典的是十分有必要的。同理本文算法的結(jié)果優(yōu)于 僅通過類別字典學(xué)習(xí)的FDDL。而本文的算法在存在比較復(fù)雜的變化集合S 6上的表現(xiàn)優(yōu)于 ESRC和SSRC也表明本文算法在處理測(cè)試樣本存在復(fù)雜變化的時(shí)更有優(yōu)勢(shì)。
[0070] 由實(shí)驗(yàn)1中集合S6上的分類結(jié)果可知，算法還有很大的提升空間，可以做的提升 有：1)提取更有辨別力的人臉特征;2)增加訓(xùn)練樣本的數(shù)量。為了驗(yàn)證該假設(shè)我們?cè)O(shè)計(jì)了實(shí) 驗(yàn)2,上在實(shí)驗(yàn)2中，選取每個(gè)人的正常臉和具有表情光照變化的樣本作為訓(xùn)練樣本，具有光 照和遮擋變化的樣本作為測(cè)試樣本，同時(shí)提取樣本的局部Gabor特征，原始人臉圖像的尺寸 為120*165和下采樣后的60*80,將提取后的特征分別用PCA降到200、250、300、350、400、 450、500維，觀察特征空間對(duì)識(shí)別率的影響。采用尺寸為120*165圖片的實(shí)驗(yàn)結(jié)果見圖6,采 用尺寸為60*80圖片的實(shí)驗(yàn)結(jié)果見圖7。從圖6和圖7可知，各算法識(shí)別率均會(huì)隨著子空間維 度的增加而增加。相對(duì)于其他算法，本文算法在各子空間的識(shí)別率比較穩(wěn)定，即本文算法的 更具有魯棒性。此外，由圖6可圖7的實(shí)驗(yàn)結(jié)果可知，各算法的識(shí)別率會(huì)因圖片下采樣操作而 下降，為了觀察個(gè)算法的下降程度，我們引入下降率，計(jì)算方法為:假設(shè)SRC算法在圖6中特 征空間為200維時(shí)的識(shí)別率為心，相應(yīng)的在圖7中R 2，則SRC算法在特征維度為200維時(shí)，圖片 下采樣操作導(dǎo)致的識(shí)別率的下降率為(R1-R 2)A1。計(jì)算每個(gè)算法的下降率，得到各算法的下 降率見表2。表2中加粗的部分為相應(yīng)的維度的下降率最小值，下降率最小表示算法更有魯 棒性，由表2的結(jié)果可知，本文算法在各個(gè)維度上均得到了最小的下降率。說明算法在圖片 尺寸發(fā)生變化時(shí)的更具有穩(wěn)定性。
[0071]表2各算法在AR庫(kù)上實(shí)驗(yàn)2的下降率（％ ) 維度 CRC SEC M FDDL ESEC SVGDL 本文 200 25.40 24.28 25.45 22,25 6. 6 17.09 3. 34 250 22.06 22.02 26.29 20. 91 6.51 18.05 2. 84
[0072] 300 20.67 19.90 27.29 0 0 18.70 G 850 20.54 20.69 28.68 21.93 6.91 17.33 0 4:00 20.99 20.69 27.27 17. 21 7.55 17.33 6.22 450 21.89 20.84 27.47 26.29 8. 14 17.08 0.22 500 21. 62 20.62 27.00 25. 28 8.17 17.29 0,42
[0073]上述說明已經(jīng)充分揭露了本發(fā)明的【具體實(shí)施方式】。需要指出的是，熟悉該領(lǐng)域的 技術(shù)人員對(duì)本發(fā)明的【具體實(shí)施方式】所做的任何改動(dòng)均不脫離本發(fā)明的權(quán)利要求書的范圍。 相應(yīng)地，本發(fā)明的權(quán)利要求的范圍也并不僅僅局限于所述【具體實(shí)施方式】。
【主權(quán)項(xiàng)】
1. 本發(fā)明旨在解決訓(xùn)練樣本有限，測(cè)試樣本含有未知變化的復(fù)雜情況下的人臉表示問題。 通過類別子字典學(xué)習(xí)使學(xué)習(xí)到的類別子字典盡量相互不相關(guān)，從而提高子字典的分類能力； 此外，令稀疏系數(shù)類內(nèi)方差盡量小類間方差盡量大W提高稀疏系數(shù)的辨別性;與此同時(shí)，通 過學(xué)習(xí)的方法得到類內(nèi)變化字典有效降低了偏手工輔助字典的局限性。設(shè)有測(cè)試數(shù)據(jù)Υ = 化爪，...，￥。}，本發(fā)明的目的是最小化重構(gòu)誤差加叫|間|^5.1-.>；二〇1^ +化為.4-日;的,.其 中Ε代表重構(gòu)誤差，Di是第i類字典，χ?是在Di上的稀疏系數(shù)，Ds是類內(nèi)變化字典，;4是在化 上的稀疏系數(shù)。本文的主要目的是最小化Yi由化和化重構(gòu)的重構(gòu)誤差，因此我們需要分別學(xué) 習(xí)類別特色字典和類間共享字典。2. -種類別特色字典和類間共享字典的人臉表示算法，其特征在于，包括W下步驟： S1:分別對(duì)訓(xùn)練樣本、測(cè)試樣本、輔助樣本進(jìn)行特征提取。每幅人臉圖像的特征提取具 體步驟包括： S101:對(duì)相應(yīng)的人臉圖像進(jìn)行人臉區(qū)域檢測(cè)； S102:對(duì)檢測(cè)到的人臉進(jìn)行人臉特征點(diǎn)檢測(cè)，一般情況下檢測(cè)人臉的五個(gè)特征點(diǎn)，包括 眼睛、鼻尖、嘴角部分。通過檢測(cè)到的特征點(diǎn)進(jìn)行人臉區(qū)域的裁剪； S103:按照步驟S102得到的各部分人臉，組成訓(xùn)練樣本矩陣、測(cè)試樣本矩陣、輔助數(shù)據(jù) 矩陣，并通過PCA將樣本投影到相同的空間。 S2:將訓(xùn)練樣本進(jìn)行類別特色字典學(xué)習(xí)，類別特色字典學(xué)習(xí)的目的是得到更具有分類 能力字典，其特征在于，其目的是最小化目標(biāo)函數(shù)(1):訓(xùn)練數(shù)據(jù)A= {Ai，A2，…，Ακ}，其中如臣巧mxni為筋類訓(xùn)練數(shù)據(jù)，石是Ai視廬構(gòu)的稀疏系數(shù)，X/ 是Ai被化重構(gòu)的稀疏系數(shù)，成臣RWx~為第i類數(shù)據(jù)的稀疏系數(shù)，類別字典為D = {Di，化，…，Dk}， 其中Di為學(xué)習(xí)到的第i類的字典，字典D中除了 Di之外剩余的集合表示為Di-，Di-=[Di，···， Di-i，Di + i，...，Dk] ( i = 1，...k)。此外抖ο)臟-斯)哨稀疏系數(shù)的類內(nèi)方差和類間方差。具體的步驟包括： S201:初始化類別特色字典，此時(shí)初始化的方法一般包括隨機(jī)初始化和特征向量初始 化的方法； S202:初始化字典之后，計(jì)算每個(gè)訓(xùn)練樣本由初始化字典表示得到的稀疏系數(shù)。更新的 方法為求解Q化）=前峭巧(如,從,騎+ 2判劍li}，其中Ε成,斯,超)=II如-+ ΙΚ - 并計(jì)算每個(gè)樣本由初始化字典重構(gòu)的重構(gòu)誤差； S203:稀疏系數(shù)更新完之后，更新每個(gè)類別特色字典中的原子;逐個(gè)更新子字典，當(dāng)更 新第j個(gè)子字典，默認(rèn)其他子字典化(i ^ j)已更新完畢。 S204:判斷是否符合迭代的條件，若符合則停止迭代得到類別特色字典，否則返回重復(fù) 步驟S202和步驟S203。 S3:通過輔助數(shù)據(jù)中的正常人臉和變化人臉迭代求解稀疏變化字典，其特征在于，其目 的為學(xué)習(xí)到測(cè)試數(shù)據(jù)中可能存在的變化。其具體步驟包括： S301:共享字典學(xué)習(xí)時(shí)字典初始化方法為隨機(jī)初始化； S302:共享字典學(xué)習(xí)，原理為每一類的變化人臉減去該類的正常人臉。其特征在于，通 過 W下方式得到Ds = [B廣mici，B2-m2C2，· · ·，Bk-mkCk]其中 q = [1,1,...，巧 6:皮ix"i，Bk為第k類的變 化數(shù)據(jù)。 S4:得到類別特色字典和稀疏變化字典之后，重構(gòu)測(cè)試數(shù)據(jù)，可將子字典與共享字典結(jié) 合組成K個(gè)子字典旬=I化，化.]馬=L化，化、]，...局< =，具體步驟為： S401:重構(gòu)測(cè)試數(shù)據(jù)，計(jì)算稀疏系爹其中勒為類別特色字典上的稀疏系數(shù)，起為稀疏變化字典上的稀疏系數(shù)； S402:計(jì)算重構(gòu)誤差并利用其進(jìn)行人臉分類，具體的由每類數(shù)據(jù)重構(gòu)的重構(gòu)誤差為于是測(cè)試數(shù)據(jù)的標(biāo)簽為identify(y) =arg mini {θ?} ο3. 根據(jù)權(quán)利要求1所述的類別特色和稀疏變化字典的人臉表示算法，其特征在于，所述 步驟S202所述的i特征在于，中第一項(xiàng)表示i 類訓(xùn)練數(shù)據(jù)Ai被整體字典D重構(gòu)的誤差，第二項(xiàng)是Ai被本類子字典化重構(gòu)的重構(gòu)誤差。4. 根據(jù)權(quán)利要求1所述的類別特色和稀疏變化字典的人臉表示算法，其特征在于，所述 步驟S2自^其特征在于，稀疏系數(shù)類內(nèi)方差越小越好而類間 方差越大越好，并且類別子字典盡量不相關(guān)。5. 根據(jù)權(quán)利要求1所述的類別特色和稀疏變化字典的人臉表示算法，其特征在于，所述 步驟S301中字典初始化的具體方法為巧=ΚΛ，化...，〇;、，]〇/= 乂<. ./,，,，其中Mi為第i類標(biāo) 準(zhǔn)數(shù)據(jù)的中屯、，一般可取該類數(shù)據(jù)的平均向量為大小為m的單位向量。
【文檔編號(hào)】G06K9/00GK105844223SQ201610158586
【公開日】2016年8月10日
【申請(qǐng)日】2016年3月18日
【發(fā)明人】梁久禎, 李文靜
【申請(qǐng)人】常州大學(xué)