[发明专利]基于稀疏贝叶斯回归的人脸姿势识别方法

说明书

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种基于稀疏贝叶斯回归的人脸姿势识别方法。

背景技术

在人脸图像的采集过程中，由于成像设备和人脸的相对视角发生变化，从而得到不同视角下的人脸图像。假定成像设备坐标系固定，不同的成像视角可以看成由于不同的人脸方向得到的，这些不同的人脸方向即为不同的人脸姿势。目前，不同姿势下的人脸识别是人脸识别中的热点问题之一，准确、快速的人脸姿势识别又是解决该问题的一个关键环节。人脸姿势识别还在计算机视觉和计算机图形学领域中起着重要的角色和广泛的应用，比如人脸跟踪、人脸表情识别和人机交互等。由于二维人脸图像缺失第三维的信息，因此人脸姿势识别问题变的很复杂。另外还有许多因素增加了解决此问题的难度，比如环境周围光照的变化、人脸图像的质量、人脸身份的变化等。在人脸姿势识别过程中，还有一个因素需要考虑，就是人脸在深度方向发生旋转而带来的非线性变形。

基于外观的方法是一种有效，且计算成本低的方法。但是需要解决的问题也还是比较多的。比如人脸在深度方向发生旋转，引起一些非线性变化，使用一般的降维方法难以揭示数据中的本质结构，并且影响人脸外观的因素比较多，比如光照的变化、图像质量等因素也影响着此问题的解决。另外，在实际环境中，采集到的人脸图像将会受到一些因素的影响，比如：周围环境光照的变化，图像采集设备的分辨率，人脸的表情变化等等。因此，直接用原始的人脸图像像素表征是远远不够的，需要给原始图像一个新的图像表征，在体现姿势差异性的同时，抑止上述提到的不利的因素。

经对现有技术的文献检索发现，Xingliang Ge等在《Optical Engineering》Vol.45，No.9，2006(光学工程，第45卷，第9期，2006年)上，提出了一种基于非线性判别的人脸姿势识别方法。该方法首先用Gabor小波提取人脸特征，然后用SLPP进行降维，最后用支持向量机进行姿势分类。该方法的姿势识别是监督的，也就是说，最终的测试样本的人脸姿势角度必须与训练样本的某个角度相一致。如果训练样本较小，那么就会存在较大的误差。其次，支持向量机需要较多的支持向量，会影响到方法的实时性。

发明内容

本发明的目的在于克服现有技术中的不足，提出一种基于稀疏贝叶斯回归的人脸姿势识别方法，使其能够得到人脸姿势的非确定解，降低错误率，其次，稀疏贝叶斯回归方法使用较少的支持向量，提高了发明的实时性。另外，本发明采用Gabor滤波器为人脸姿势识别提取Gabor特征，抑制不利因素；运用线性切空间排列方法能够探测人脸姿势图像的本质低维结构。

本发明是通过以下技术方案实现的，本发明具体步骤如下：

(1)采用Gabor滤波器为人脸姿势图像提取Gabor特征。

(2)将Gabor特征进行下采样，然后将采样后的特征行堆叠为一维向量，并组成样本集。

(3)在训练样本上运用线性切空间排列方法，获得人脸姿势图像的本质低维子空间，并且得到相应的投影矩阵。

(4)在低维子空间运用稀疏贝叶斯回归方法训练识别参数。

(5)将每一个测试样本通过训练得到的投影矩阵映射到低维子空间，运用训练得到的识别参数进行人脸姿势识别。

所述的提取Gabor特征，是指：将人脸图像与一组Gabor变换核的卷积得到的新的人脸表征。假定I(x，y)是一幅人脸图像，ψ_μ，v(x，y)为Gabor变换核，其Gabor变换定义如下：O_μv(x，y)＝I(x，y)*ψ_μ，v(x，y)。其中，*表示卷积运算，O(x，y)是对μ方向和ν尺度上的Gabor变换核的卷积结果，O(x，y)是人脸图像I(x，y)的Gabor特征。

所述的线性切空间排列方法，是指：在训练样本上求得一个投影矩阵A将原始数据投影到低维空间从而得到相应的低维人脸姿势数据。该方法分为四个主要步骤：假定低维空间为d维，

①对于每一个高维数据点x_i，寻找到它的k个最近邻点。将这个局部邻域记为X_i。