[发明专利]一种人脸编码及识别方法

说明书

技术领域

本发明涉及人脸识别技术领域，具体涉及一种人脸编码及识别方法。

背景技术

随着科技的快速发展，以及人们对于高效，便捷生活方式的不断追求，快 速有效的身份验证技术也得到了广泛的关注，例如在银行监控、门禁系统、出 入境检查、刑事侦查等诸多领域有广泛应用。身份验证所用到的生物特征多种 多样，比如：人脸识别，视网膜识别，指纹识别等。其中，人脸识别技术具有 低成本，隐蔽性强，用户友好等优点在身份验证中具有不可替代的作用。

目前的人脸识别技术中对于人脸的表示主要侧重于人脸图像的特征提取， 或者只涉及人脸图像样本分布低阶图结构信息(这里实际上就是点之间的连接关 系，类似于函数在某点的局部信息，将人脸图像样本的分布结构流形看作一个 函数，一阶导数为低阶，二阶导数及大于二阶为高阶)。由于目前人脸图像识别 技术中人脸图像表示方法没有考虑到人脸图像样本分布高阶图结构信息，因此 无法更精确的表示人脸图像样本的内在联系，不利于有效的进行人脸图像识别。

发明内容

本发明的目的是针对上述现有技术中存在的缺陷，提出的一种基于P-Lap lacian稀疏编码的人脸图像识别方法，可以更精准的表示人脸图像样本的内在 联系，有效提高人脸图像识别精度与效率。

一种人脸编码及识别方法，包括以下步骤：

S1、提取人脸图像特征；包括人脸图像库(已标记人脸图像、未标记人脸 图像)中的人脸图像、用户输入的待识别人脸图像；

S2、基于提取的人脸图像特征，分析人脸图像库中人脸图像样本的高阶图 结构p-Laplacian信息，进行字典学习，p-Laplacian可以更精准的反应人脸图像 样本的内在联系，提高识别精度；

S3、根据获得的字典，分析人脸图像的稀疏编码，作为人脸图像表示；

S4、基于人脸图像的稀疏编码获得预测模型；

S5、基于预测模型对待识别人脸图像进行识别。

进一步的，所述步骤S2中进行字典学习的具体过程如下：

S21、初始化：设定用以平衡p-Laplacian正则项和稀疏项的参数γ₁，γ₂及字 典元素数目并生成学习字典D；

S22、固定字典D，通过目标函数分析图像对应的稀疏编码W，X为人脸图像特征矩阵，Δ_pW为图像样本高阶图结构p-Laplacian信息；

S23、固定稀疏编码W，通过目标函数分析特征字典D；

S24、判断目标函数是否满足收敛条件，若满足，则结束，否则，继续执行 S22；步骤S22至S24构成了一个循环体，在循环体内部迭代交替分析特征字典 D和稀疏编码W，在上述循环过程结束后，获得了基于人脸图像库的特征字典D， 同时也获得了人脸图像库中人脸图像的稀疏编码W。

进一步的，所述步骤S3基于学习字典分析人脸图像的稀疏编码的具体过程如下：S31、初始化：根据学习字典设定D和参数γ₃，设定x是待标记图像的输入人脸图像特征，w是其对应的稀疏编码；S32、通过目标函数分析输入人脸图像的稀疏编码w。

进一步的，所述步骤S2中分析获得高阶图结构p-Laplacian信息的过程如下：S221、初始化：设人脸图像库中人脸图像构成的图结构为G_ω＝(V，E)，其中V代表N个人脸图像样本点的组成集合，E代表人脸图像样本点连接的边集合，ω代表样本点邻接关系的权重计算函数，人脸图像样本点与其标记概念间存在函数关系F：V→R；S222、分析样本点的邻接关系权重ω；ω有不同的具体计算形式，例如基于GaussianRBF核函数的任意样本点u和v的邻接关系权重为等；S223、分析每一个样本点p-Laplacian信息。

进一步的，所述步骤S223包括：S2231、分析每个样本点v的加权梯度其中u～v表示样本点u是点v的邻接点；S2232、分析每个样本点v的p-Laplacian信息。

与现有技术相比，本发明的优点和积极效果在于：