类内平均值最大相似性协作表示人脸识别方法技术

本发明专利技术公开了一种基于类内平均值最大相似性协作表示的人脸识别方法。首先选取每类训练样本集中与测试样本相似的若干样本，组成近邻样本集；然后将各类近邻样本的类内平均图像协作表示并重构，并根据各类内近邻平均图像的重构误差选择最相似的若干类近邻协作表示；这种以缩小目标类别为目的的近邻样本协作表示在一定程度上降低了运算的复杂度，并进一步提高了识别率。

A face recognition method based on intra class mean maximum similarity representation

The invention discloses a face recognition method based on intra class average maximum similarity cooperative representation. First select each kind of training samples and test samples of several samples of similar composition, nearest neighbor sample set; and then the average image samples in all kinds of cooperative neighbors and reconstruction, and according to all kinds of image reconstruction error in average nearest neighbor selecting the number of the most similar neighbor collaborative representation; this to narrow the target category for the nearest neighbor samples cooperation the purpose of the said in a certain extent, reduce the complexity of computation, and further improve the recognition rate.

【技术实现步骤摘要】

本专利技术涉及一种人脸识别方法，特别是一种基于类内平均值最大相似性协作表示的人脸识别方法。
技术介绍
在计算机视觉系统与模式识别领域，特征提取与分类是人脸识别研究的主要问题。其中传统的基于特征提取的线性算法，如主成份分析(PCA)、线性鉴别分析(LDA)、还有一些改进算法等均旨在从高维空间提取出有效的能反映图像的低维全局特征，用以分类。虽然在实际应用中有不错的效果，但线性算法不能很好的提取高维图像的局部非线性特征，为此产生了诸多流行学习方法，如局部保持投影(LPP)、边界Fisher分析(MFA)等。目前，还没有权威的高维图像到低维空间的变换准则。假如在高维空间对目标图像有更好的表示就能获得更准确的分类，于是，WRIGHT等提出稀疏表示分类(SRC)，通过稀疏约束求解能表征目标样本的各类训练样本的线性组合，并将目标样本归并到最多非零系数的类中。由于SRC对图像中存在的光照、姿态、角度、甚至遮挡等可能会对分类造成干扰的因素不敏感，因此取得了不错的识别效果，已经引起越来越多学者的关注，为提升算法的鲁棒性，又有很多改进方案。然而在人脸识别中，用于训练的样本往往是不完备的。这样SRC在实际应用中基于l1-范数的稀疏求解，由于需要不断迭代，导致计算的复杂度较高。ZHANG等人通过分析指出类间样本的相似性对于协作表示的作用，将l2代替l1-范数弱化了范数的稀疏性，提出基于正则化最小二乘法的协作表示(CRC_RLS)，此算法和SRC的识别效果相当，但运行时间大幅缩减。在此基础上，有很多改进。一些研究人员利用图像的低维特征实施CRC分类，比如XIE提出将图像通过Shearlet多尺度变换后进行融合，结合分块用均匀局部二值模式(ULBP)提取特征以协作表示，改善了识别效果，但算法的复杂度较高；WEI[24]提出将灰度图像分解成8个位平面，通过其中包含的有效识别信息进行加权，以构造虚拟图像协作表示，有效提升了识别率。此外，LIN提出鲁棒协作表示(RCR)，计算复杂度大大降低。LU、FAN指出样本的有效局部信息对稀疏表示的重要性，通过训练样本与目标样本的相似度构建加权矩阵，分别提出加权稀疏表示，有效增强了分类性能。但此方法通过权衡各训练样本与目标样本的相似度，将加权系数嵌入在基于整个数据集协作表示的系数求解中，一定程度上会降低计算的效率。受此启发，WANG引入分块思想，通过提取各训练样本与测试样本对应子图像的最大相似信息嵌入在稀疏表示中，针对存在遮挡等非受控环境，识别率有较大改善。进一步的，XIONG等对光照、表情差异较大，或有遮挡的图像利用低秩矩阵恢复，以此采用分块最大相似性方法，识别鲁棒性明显提升。LIN针对样本中的光照、角度、姿态等信息不能有效利用对分类的干扰，通过不同场景构造虚拟样本嵌入在各类训练样本中，虽然有不错的识别效果。但每类样本数增多，势必会扩大数据集的规模，从而使系数求解的效率下降。XU等通过阶段性缩小目标类别的二级分类法显著提高了识别率，但第一阶段基于整个数据集协作表示，因此计算的复杂度较高，同样在运行效率上没有优势。综上近年来广泛用于计算机视觉与图像处理领域的CRC算法的分析，均是利用整个数据集协作表示，因此数据集的规模会直接影响到样本系数计算的时效。与以上协作表示的改进方案不同，本专利技术更注重于算法的运行效率，当然在不影响识别率的前提下，最好也有一定的提升。LI基于整个训练集选择与测试样本更相似的样本协同表示，大幅降低了运行时间，但此方法易受到图像噪声的干扰，当光照、姿态、角度等变化较大时，识别效果一般。在此基础上，YIN提出了改进方案，即在训练集上，通过比较所有训练样本与测试样本系数的相似性，选取部分样本局部协作表示，识别鲁棒性更强，但此方法通过样本系数的相似性选择近邻，由于各样本的系数计算基于整个训练集，倘若训练样本增多，运算复杂度就会提高，因此算法的实效一般。受上述算法的启示，可以通过选择有效且较少数量的样本协作表示来改善识别性能。
技术实现思路
本专利技术所要解决的技术问题是提供一种针对光照、角度、姿态等非受控情况下，有较强识别鲁棒性及运行效率较高的基于类内平均值最大相似协作表示的人脸识别方法。为解决上述技术问题，本专利技术所采用的技术方案是：一种基于类内平均值最大相似性协作表示的人脸识别方法，其特征在于包含以下步骤：Step1：人脸数据库包含了C个人的图像，每个人有ni幅图像，每幅图像大小为m×n，定义训练样本集测试样本为Y∈Rm×n，将各类训练样本矢量化为这样第i类训练样本组成的矩阵为C类训练样本构成的矩阵为Χ＝[Χ1,…,XC]∈Rm×N，将测试样本Y矢量化为y∈Rm×1；Step2：计算各训练样本与y之间的距离，并找出各类训练样本中与测试样本y距离最近的K个近邻样本，第i类K个近邻样本组成的矩阵为其中σ1,σ2,…,σK∈[1,ni]，则新的近邻样本矩阵Step3：在近邻样本矩阵中计算每一类近邻样本的类内平均值组成类内近邻平均图像矩阵Step4：基于协作表示模型，将作为编码字典，用最小二乘法求解编码系数α，得Step5：利用系数向量α中对应于各类内近邻平均图像的稀疏系数αi分别重构测试样本y，得到属于各类内近邻平均图像的重构样本组成类内近邻平均图像重构样本集Step6：计算各类近邻平均图像重构样本与测试样本y的误差ei，即Step7：根据重构误差ei，从近邻样本集中选择误差最小的前S类近邻样本，其中第φi类近邻样本矩阵为以此组成新的近邻样本集Step8：将重构误差最小的前S类近邻样本集作为编码字典，用最小二乘法求解基于协作表示模型的编码系数得Step9：利用系数向量中对应于前S类各类近邻样本的系数分别重构测试样本y，得到属于各类近邻的重构样本Step10：计算前S类各类近邻重构样本与测试样本y之间的误差，即Step11：根据的最小值，判断测试样本y的归属。进一步地，各类样本平均值通过计算得到，且最大相似性取决于类内近邻数K，原始训练集Χ中与测试样本y的近邻根据欧式距离即公式计算得到。进一步地，各类内近邻平均图像与测试样本y的误差不是直接依据欧式距离计算得到，而是基于近邻平均图像集协作表示后通过重构误差获得。进一步地，在分类前，根据各类内近邻平均图像与测试样本y的误差ei，舍去易对分类造成干扰的不相关类别，只保留有利于分类的前S类近邻样本，即协作表示。进一步地，测试样本y的归属通过公式判定，首先通过在第二次对S类近邻样本的稀疏重构中获取φi的值，然后根据φi得到在第一次计算各类近邻平均图像重构样本与测试样本y的最小误差ei对应的i值，也就是所属的类别。本专利技术与现有技术相比，具有以下优点和效果：1、通过在各类训练样本中，选择测试样本的近邻，保证较少数量样本的协作表示在很大程度上降低了运算的复杂度；2、与测试样本最近邻类内若干样本的平均值往往能最大程度的包含其特征，确保在协作表示时，测试样本与类内样本的误差足够小，同时与类间样本的误差足够大，使分类更有效。3、根据各类内近邻平均图像稀疏重构与测试样本的误差保留若干类近邻样本用于最后的协作分类，进一步减少了运行时间，其缩小了类别范围，使识别更精确。具体实施方式下面通过实施例对本专利技术作进一步的详细说明，以下实施例是对本专利技术的解释而本专利技术并不局限于本文档来自技高网...

【技术保护点】
一种基于类内平均值最大相似性协作表示的人脸识别方法，其特征在于包含以下步骤：Step1：人脸数据库包含了C个人的图像，每个人有ni幅图像，每幅图像大小为m×n，定义训练样本集测试样本为Y∈Rm×n，将各类训练样本矢量化为这样第i类训练样本组成的矩阵为C类训练样本构成的矩阵为Χ＝[Χ1,…,XC]∈Rm×N，将测试样本Y矢量化为y∈Rm×1；Step2：计算各训练样本与y之间的距离，并找出各类训练样本中与测试样本y距离最近的K个近邻样本，其中第i类K近邻样本组成的矩阵为则新的近邻样本矩阵Step3：在近邻样本矩阵中计算每一类近邻样本的类内平均值则类内近邻平均图像矩阵Step4：将近邻平均图像矩阵作为编码字典，用最小二乘法求解基于协作表示模型的编码系数α，得Step5：利用系数向量α中对应于各类内近邻平均图像的稀疏系数αi分别重构测试样本y，得到属于各类内近邻平均图像的重构样本组成类内近邻平均图像重构样本集Step6：计算各类近邻平均图像重构样本与测试样本y的误差ei，即Step7：根据重构误差ei，从近邻样本集中选择误差最小的前S类近邻样本，其中第φi类近邻样本矩阵为以此组成新的近邻样本集Step8：将重构误差最小的前S类近邻样本集作为编码字典，用最小二乘法求解基于协作表示模型的编码系数得Step9：利用系数向量中对应于前S类各类近邻样本的系数分别重构测试样本y，得到属于各类近邻的重构样本Step10：计算前S类各类近邻重构样本与测试样本y之间的误差，即Step11：根据判断测试样本y的归属。...

【技术特征摘要】
1.一种基于类内平均值最大相似性协作表示的人脸识别方法，其特征在于包含以下步骤：Step1：人脸数据库包含了C个人的图像，每个人有ni幅图像，每幅图像大小为m×n，定义训练样本集测试样本为Y∈Rm×n，将各类训练样本矢量化为这样第i类训练样本组成的矩阵为C类训练样本构成的矩阵为Χ＝[Χ1,…,XC]∈Rm×N，将测试样本Y矢量化为y∈Rm×1；Step2：计算各训练样本与y之间的距离，并找出各类训练样本中与测试样本y距离最近的K个近邻样本，其中第i类K近邻样本组成的矩阵为则新的近邻样本矩阵Step3：在近邻样本矩阵中计算每一类近邻样本的类内平均值则类内近邻平均图像矩阵Step4：将近邻平均图像矩阵作为编码字典，用最小二乘法求解基于协作表示模型的编码系数α，得Step5：利用系数向量α中对应于各类内近邻平均图像的稀疏系数αi分别重构测试样本y，得到属于各类内近邻平均图像的重构样本组成类内近邻平均图像重构样本集Step6：计算各类近邻平均图像重构样本与测试样本y的误差ei，即Step7：根据重构误差ei，从近邻样本集中选择误差最小的前S类近邻样本，其中第φi类近邻样本矩阵为以此组成新的近邻样本集Step8：将重构误差最小的前S类近邻样本集作为编码字典，用最小二乘法求解基于协作表示模型的编码系数得Step9：利用系数向量中对应...

【专利技术属性】
技术研发人员：施志刚，
申请(专利权)人：施志刚，
类型：发明
国别省市：江苏;32