[发明专利]基于Gabor特征与字典学习的人脸姿态识别方法

说明书

本发明公开一种基于Gabor特征与字典学习的人脸姿态识别方法，包括下述步骤：首先，将人脸姿态离散化为不同的子空间，使用K‑SVD为每个子空间训练一个子字典使其对应一个类别；然后，将所有子字典组合成超完备字典；最后，采用基于gabor特征与稀疏表示的方法进行姿态分类。为了提高算法的鲁棒性，本发明重构一个遮挡人脸字典，解决人脸姿态识别中人脸遮挡问题。本发明能够解决人脸姿态估计中的光照、噪声和遮挡等问题，快速鲁棒性地识别出正脸、抬头、点头、左偏转、左侧脸、右偏转和右侧脸。可以较好地应用于安全驾驶、人机交互和人脸识别等领域。

技术领域

本发明属于图像处理、模式识别、计算机视觉和人机交互技术领域，涉及一种人脸姿态识别方法，具体涉及一种基于字典学习与稀疏表示的人脸姿态识别方法。

背景技术

人脸姿态估计在智能视频监控、人脸识别、人机交互和虚拟现实领域具有巨大的应用前景。例如，在智能视频监控方面，人脸姿态估计可以应用于驾驶监控系统，通过监控司机的人脸姿态变化来识别司机是否集中注意力开车，避免撞车情况的发生。此外，人脸姿态估计对人脸识别的准确度有很大的影响，许多人脸识别算法对正面人脸图像能够达到很好的识别率，但对于多姿态的非正面人脸图像，它的识别准确率会严重下降，而通过人脸姿态预估计是解决多人脸姿态识别的一种重要途径。

目前现有的人脸姿态检测方法大体上可以分为三类：纹理子空间方法，3D 方法，其它类方法。第一类方法通过基于2D人脸外观的学习方法实现姿态的检测与估计。其中比较典型的有主成份分析(PCA)和线性判别(LDA)等。由于 PCA是一种线性降维方法，而人脸姿态3D旋转变化很大程度上是一种非线性变化。因此学者们使用核主成份分析(KPCA)，流型学习方法解决这种非线性变化问题。但是，核方法和流型学习方法有一个缺陷：随着人脸训练样本增加，它很难分离出身份和姿态。这就意味着，当人脸训练库足够大时，姿态估计的准确率会根据人的不同而变化。第一类方法最大的特点是处理速度快，容易实现，但是需要通过大量样本的训练，对人脸的光照、表情等变化较为敏感，特别是对光照极差的视频人脸图像其准确率下降明显。

第二类方法认为人脸姿态检测本身就是一个3D问题，只有通过3D信息才能表征人脸姿态的本质特征。因此这类方法往往通过抽取3D特征来表征不同姿态，或者利用不同视角下的多幅图像，在三维空间中重建人脸的3D模型实现姿态的检测。这类方法往往对图像的大小和质量要求很高，并且会花费大量的运算时间。第二类方法通过3D方法能够得到很高准确率，但是实时性不高，同时对视频监控中的超低分辨率和遮挡人脸图像效果不是很好。

第三类方法是一些非主流方法，只能解决人脸姿态估计中部分问题或只能应用于某些特定场合。例如，Rafael 等人提出多相机的人脸姿态估计方法。为了正确估计人脸姿态，他们方法中需要利用前后左右6个相机拍照的6幅图像进行融合判别。J.Nuevo等人提出块聚类的方法进行人脸姿态估计，取得了不错的效果，但是他们的方法估计的姿态范围有限(只能识别45度范围的姿态变化)。山东大学的陈振学等人提出三角形的人脸姿态估计方法，得到了91％左右的准确率，但是他们的方法只能对人脸绕Y和Z轴偏转有效，而对于绕X轴旋转人脸姿态无效，即对人脸上下旋转情况失效。

目前想要计算机具备和人类一样的姿态识别能力还很难，主要原因是光照、噪声、遮挡、分辨率、身份、表情等因素的变化都会对姿态估计的准确性产生巨大的影响，如何消除这些因素的影响是目前亟需解决的问题。

发明内容

本发明的目的在于克服以上方法的不足，提出一种基于Gabor特征与字典学习的人脸姿态识别方法，解决人脸姿态识别中的光照、噪声和遮挡等问题，鲁棒性的识别出正面、抬头、点头、左偏转、左侧脸、右偏转和右侧脸。

本发明的目的通过下述技术方案实现：

一种基于Gabor特征与字典学习的人脸姿态识别方法，包括下列步骤：

对在线输入的待识别人脸姿态图像进行Gabor特征提取，构建Gabor特征向量y；