[发明专利]基于混合误差编码的人脸识别方法

说明书

技术领域

本发明涉及图像处理和模式识别领，尤其是人脸识别技术领域，主要用于处理和识别现实中的人脸图像。

背景技术

随着信息技术的高速发展，人脸识别技术已广泛应用于现实生活中，如：银行的各类ATM取款机对取款人的监控，海关关口对进出旅客的监控。对于面向现实的人脸识别系统而言，一个主要的困难是：人脸图像常常存在遮挡(如太阳镜、口罩、围巾等)和光照变化(如在过强或过暗的光照条件下采集到的图像)。遮挡和光照变化一方面会导致人脸图像中有效特征的丢失；另一方面会形成局部显著特征，使得现有的脸识别系统常常会根据这些局部显著特征做出误判，如把黑色的围巾当做黑色的胡子。因此，如何快速、自动地选取人脸图像的有效特征，并弥补有遮挡和光照所造成的特征损失，是面向现实的人脸识别系统的关键任务，也是近年来的研究热点之一。

现有的方法主要包括：基于图像梯度方向特征的主成分分析(Image Gradient Orientation based Principle Component Analysis，IGO-PCA)、结构化稀疏误差编码(Structured Sparse Error Coding，SSEC)、基于相关熵的稀疏表示分类(CorrEntropy Sparse Representation，CESR)、鲁棒稀疏编码(Robust Sparse Coding，RSC)等4种。它们共同的特征是：利用训练样本对待识别图像进行重构，得到“干净的”(如：无遮挡和光照变化)重构图像以及与之相对应的编码系数，然后计算重构图像和待识别图像之间的误差，通过分析误差的大小，判定待识别图像的有效特征支撑，最后再利用该特征支撑和重构图像的编码系数对待识别图像进行分类。这些方法的主要问题在于：对待识别人脸图像的重构和识别采用了完全相同的误差编码方法，从而导致既不能很好地判定有效特征的支撑，也不能高效地对有遮挡图像进行识别。

发明内容

为了克服已有有遮挡和光照变化的人脸图像识别方式的识别率较低、可行性较差的不足，本发明提供一种识别率高、可行性好的基于混合误差编码的人脸识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于混合误差编码的人脸识别方法，所述人脸识别方法包括以下步骤：

步骤1将实数域上的m×n维的人脸图像y作为待识别人脸图像，将来自于K个人的N个不含遮挡的且在正常光照条件下采集到的人脸图像集作为训练样本，这里，为实数域上的m×n阶矩阵，表示第k个人的第i个训练样本，k＝1，2…K，N_k为第k个人的人脸图像的样本数；

步骤2将y和A分别变换到梯度方向域中：

这里，*表示二维卷积，arctan(·)为反正切函数，h_d为差分滤波器的系数矩阵，符号T表示矩阵的转置；

步骤3将待识别图像y和训练集A变换到高维特征空间中：

其中，表示待识别图像y在高维特征空间中的表示，表示训练集A在高维特征空间中的表示，V(·)为拉伸变换，即：将m×n阶矩阵拉伸为D＝m×n维列向量，或者将所有的m×n阶矩阵的集合A中的元素依次拉伸为D＝m×n维列向量，然后再将拉伸后的列向量组装成矩阵，即：

其中，

步骤4初始化待识别人脸图像y相对于训练集A的编码系数为这里，1_N×1表示N维列向量，其全部元素为1；

步骤5初始化参数：t＝1，ζ^*＝+∞，这里，t表示迭代次数，ζ^*表示历次迭代过程中产生的判别误差的最小质量；

步骤6在像素空间中，按照如下公式，计算待识别图像y的重构图像

其中，M_m×n(·)是V(·)的逆运算，即把D＝m×n维列向量还原为m×n阶矩阵，x^(t)为实数域上的N维列向量，表示在第t次迭代时所产生的待识别人脸图像y相对于训练集A的编码系数；V(A)为集合A的拉伸变换：

步骤7将变换到梯度方向域中：

步骤8计算待识别图像y与其重构图像的梯度方向之差Δθ^(t)：

步骤9将Δθ^(t)在cos域中做如下变换：

步骤10对进行均值滤波：这里，h_m为均值滤波器的系数；