[发明专利]一种小样本情况下多稀疏表示的人脸识别方法

说明书

技术领域

本发明涉及一种小样本情况下多稀疏表示的人脸识别方法，属模式识别与机器学习技术领域。

背景技术

随着计算机、网络和多媒体等技术的发展，人们需要处理的高维复杂数据如图像和视频等数据日益增多，对这些数据处理大多是分类或识别。近年来，图像识别的一个重要分支即生物特征识别方兴未艾，是当前模式识别领域的一个研究热点。相对于其他生物特征识别技术如指纹识别，人脸识别由于其使用方便被广泛关注和使用。例如，911之后，美国在多个机场采用人脸识别系统，2008年北京奥运会和2012年的伦敦奥运会均使用了人脸识别系统，这些系统极大地提高了对观众和其他相关人员的身份认证和识别等工作的效率。

最近一二十年来，涌现了许多人脸识别方法。典型的算法有基于几何特征的方法和基于统计学习的算法等。基于几何特征的识别方法目的是提取人脸图像的二维特征如形状和纹理，以及三维模型，它们主要用于匹配来识别人脸。基于统计学习方法主要抽取人脸图像的统计特征，再用某一分类器对人脸分类。这类方法的经典代表有主成分分析法，线性鉴别分析方法和基于核的人脸识别方法等。我们知道，现实生活中的很多事物都具有稀疏性这一普遍特点。在人脸识别领域，最新研究表明，在每一类人脸图像样本较充分的情况下，这些人脸样本可以张成一个人脸子空间，此类人脸的每一幅图像都能由这个子空间线性表示或逼近。也就是说，来自这一类的人脸图像可以用此类全体人脸图像的线性组合来表示，至少可以近似表示。因此，当用训练样本的全体表示一测试样本时，和测试样本同类的训练样本的表示系数中非零的个数较多，而其他类的训练样本的表示系数大都是零或接近零，也即表示系数是稀疏的。基于这样的思想，经典的基于稀疏表示的人脸识别方法被提出，并引起了很多关注。

经典稀疏表示方法对人脸图像带有噪声情况如遮挡等识别效果比较好，即可以达到鲁棒的人脸识别效果，这也是该方法在人脸识别领域受到广泛关注的主要原因。不过，该方法取得好的识别效果需要有下面的假设，即对测试样本的表示需充分稀疏。然而，这个假设在很多应用场合并不满足，特别是在训练样本个数很少，甚至是单幅训练样本图像时，经典稀疏表示方法的分类效果会不理想。但是，在现实生活中，有很多应用领域获取训练图像比较困难或代价比较大。比如，安全部门在采集人脸图像时，由于条件受限，一般很难采集充分多的人脸图像，有时甚至是在人们不知情的情况下采集的，大都只采集一张图像样本。其中，最典型的代表就是身份证的人脸正面图像，每人一张。在这种情况下，虽然稀疏表示分类方法仍可以使用。但是，由于训练样本个数很少，用它们表示测试样本将很难得到稀疏的表示模型。根据稀疏表示理论，如果对测试样本的表示模型越稀疏，则基于此模型的分类或识别效果会越好。因此，经典稀疏表示分类算法，对训练样本个数很少甚至只有一个(为简便起见，在此称为“小样本”)，将不能很好发挥作用。

一般地，人脸识别时需要把人脸图像拉成一列或一行向量，每个像素点对应向量的一个分量。由于人脸图像包含有成千上万个像素点，因此，把人脸样本图像拉成向量后，此样本向量的维数往往都很高。在很多人脸识别方法包括经典的稀疏表示分类算法，都需要将样本向量的维数降低，这既可以降低算法的时间复杂度，又在某种程度上去除噪声。降维的过程其实也是特征抽取的过程，根据机器学习和模式识别理论，特征抽取有很多种，其中近年来比较流行的经典的方法是基于子空间学习的特征抽取，它有线性与非线性两类方法。第一类线性方法主要有主成分分析，线性鉴别分析和局部保持投影等算法。第二类非线性方法主要是基于核的子空间特征抽取方法，如核主成分分析、核鉴别分析和基于核的局部保持投影方法。与线性特征抽取方法相比，非线性特征抽取算法实现起来稍显复杂，但是它可以抽取数据中的有利于分类的非线性信息。

我们知道，人脸图像数据分布都比较复杂，其类别之间的边界一般是非线性的。也可以说，人脸样本数据含有很多非线性信息。如果在降维的时候能够获取这些有利于分类的非线性信息，则能使分类器获得更好的效果。因此，在本发明中，采用非线性特征抽取算法对数据降维，同时，又能获取数据中的非线性信息，从而提高分类效果。