[发明专利]一种基于类间类内面部变化字典的单样本人脸识别方法

说明书

技术领域

本发明属于计算机视觉与模式识别技术领域，涉及一种基于类间类内面部变化字典的单样本人脸识别方法。

背景技术

人脸识别作为一种重要的生物特征识别技术，其具有自然性和隐秘性强的优势。因此，在过去几十年中引起了广泛的关注，其中有较简单、但得到较成功应用的基于统计特征的人脸识别方法如Eigenface，Fisherface，Laplacianfaces等。近年来，稀疏表达在人脸识别领域得以应用，并取得了较大的成功。基于稀疏表达的人脸识别分类方法(Sparse Representation Classifier,SRC)，其思想是将所有的训练图像作为超完备字典，而测试图像可以表示为字典中少数人脸图像的线性组合。Wright等人证实可通过快速l₁范数最优化算法对该问题进行求解，并在人脸识别实验中取得了目前最好的效果。目前，针对稀疏表达人脸识别方法中存在的不足，研究人员相继提出了多种改进算法。例如在SRC的基础上加入低秩矩阵恢复，利用字典表示的不相关性来区分人脸和噪声部分。

然而以人脸作为生物特征，使得人脸识别有先天难以逾越的缺点。首先，虽然人脸结构的相似性利于人脸检测定位，但是却对不同人脸的区分造成不便。其次，人脸的外形存在诸多不稳定性，如丰富的人脸表情、外界复杂的环境(光照、成像角度等)、人脸的遮挡物(口罩、墨镜等)以及随着年龄增长带来的脸部变化。这些不稳定性都会影响人脸识别算法的性能。在人脸识别算法中，不同人脸间的变化属于类间变化，而相同人脸的外形变化属于类内变化。类间以及类内的变化使得人脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。而随着视频监控的快速普及，在许多应用场合下，尤其是在大范围的身份验证场合中，例如执法、驾照和护照卡验证，我们在数据库中通常只能为每个人采集一个样本图像。在此情况下，就必须仅仅根据人脸的单幅图像完成在不同视角、光照、遮挡、表情等变化因素下的人脸识别任务。但是，Wright等人提出的基于稀疏表达的人脸识别算法，需要提供每个人在各种不同变化条件下的人脸面部图像。即该算法需要大量的训练样本数据库以保证算法的准确性。W.Deng等人提出扩展稀疏表达分类器来解决欠采样的人脸识别问题，甚至单样本人脸识别问题。随后，基于扩展稀疏表达分类器又引入平均脸加人脸变化的单样本人脸识别算法。

近年来，基于压缩感知理论的各种信号处理方法，已经成为计算机视觉和模式识别的标准信号处理方法之一。因此，将压缩感知理论应用于稀疏表达的人脸识别领域也是顺理成章的想法。A.Majumdar等人证实随机投影对几个最近提出的分类器，即稀疏分类器(SC)，group SC和最近邻分类器(NN)都具有鲁棒性。由于人脸识别需要处理大量的高精度人脸图像，在图像域人脸识别中利用压缩感知进行降维已引起了高度的关注。

发明内容

本发明的目的是为了克服已有技术的缺陷，解决目前单样本人脸识别算法的局限性的问题，提出一种基于类间类内面部变化字典的单样本人脸识别方法。

本发明方法是通过下述技术方案实现的：

一种基于类间类内面部变化字典的单样本人脸识别方法，包括以下步骤：

步骤1：将数据库中的人脸图像利用随机投机矩阵进行投影映射，获得人脸图像在压缩域的图像表达；

步骤2：构建包含k个类的人脸图像训练样本矩阵；

步骤3：构建人脸数据库的平均脸矩阵和类间人脸变化矩阵，平均脸矩阵中的每一列表示第i个人脸训练图像的平均脸。

步骤4：对类间人脸变化矩阵加入低秩和稀疏约束；

步骤5：采用增广拉格朗日字典训练算法对类间人脸变化矩阵进一步进行分解，求解出类间相似矩阵和类间差异矩阵；

步骤6：采用PCA降维算法将平均脸矩阵、类间相似矩阵和类间差异矩阵投影至低维度空间；

步骤7：将降维后的平均脸矩阵、类间相似矩阵和类间差异矩阵采用归一化方法进行归一化处理，并采用范数优化算法迭代求解出基于人脸图像训练样本矩阵的稀疏系数矢量；

步骤8：选择与稀疏系数最大值相对应的平均脸矩阵中的列矢量人脸标签，作为最终人脸识别的结果。

本发明的有益效果：

本发明能够对影响单样本人脸识别算法中的光照、遮挡、姿态变化等噪声构建了噪声字典，将噪声字典区分为类间噪声以及类内噪声，从而有效的提高了基于稀疏表达人脸单样本识别算法的鲁棒性。

具体实施方式