[发明专利]基于半监督子块联合回归的单样本人脸识别方法

说明书

本发明公开了基于半监督子块联合回归的单样本人脸识别方法，该方法首先将人脸划分为多个子块；然后提出基于半监督的子块联合回归模型以充分利用有标签和无标签的人脸图像学习人脸图像的各种变化信息，并加入无标签人脸图像在类别标签坐标空间中距各类等距的约束以避免无标签数据影响模型的鉴别性，利用非严格的增广拉格朗日乘法求解模型以获得每个子块所对应的映射矩阵；在此基础上通过映射矩阵实现对测试图像块的回归分类；最后对所有测试图像块进行投票最终确定分类结果。本发明单样本人脸识别方法对表情、光照变化和遮挡等具有很好的鲁棒性，识别精度高。

技术领域

本发明涉及单样本人脸识别方法，特别是涉及每个待识别对象仅有一幅训练图像的基于半监督子块联合回归的单样本人脸识别方法，属于人脸识别技术领域。

背景技术

过去四十年中，人脸识别技术取得了显著进展，可控条件下的人脸识别技术已经基本成熟。然而在非可控条件下，由于受光照、表情、姿态、噪声、遮挡等因素的影响，人脸识别仍然是一个很有挑战性的研究问题。解决这些问题的最直接方法就是加大训练样本，但在实际应用中如身份证识别、护照识别、司法确认、准入控制等诸多实际应用中，通常只有一个训练样本可被获取，这种情况下的人脸识别问题被称之为单样本人脸识别问题(Single Sample per Person，SSPP)，其进一步加剧了非可控条件下人脸识别的难度。

从技术上讲，单样本人脸识别更加凸显了训练样本少与图像数据维数高之间的矛盾，使得许多现有的人脸识别技术要么出现严重的性能下降，要么根本无法工作，因而被公认为是最具挑战性的研究课题之一。但从实用角度讲，每人单张图像本身却具有采集容易、存储代价小、便于大范围推广等许多突出优点。因此，单样本人脸识别问题不仅具有很强的学术研究价值，而且也是人脸识别系统走向实用化过程中无可回避、必须解决的问题，解决这一问题具有重大的现实意义。

为了克服单样本识别时类内变化无法估计的问题，通用学习法(genericlearning)额外引入了一个含有每人多张人脸的通用训练集(generic set)。由于人脸具有相似的类内变化，因此有可能将generic set上学习到的人脸图像变化规律用于分析单训练样本集(gallery set)中人脸图像的变化。基于上述假设，Wang等人首先提出了一个通用学习的框架(J.Wang,K.N.Plataniotis,J.Lu,A.N.Venetsanopoulos,“On solving theface recognition problem with one training sample per subject”.PatternRecognition,2006,39(9):1746-1762)，接着Su(S.Yu,S.Shan,X.Chen,W.Gao,“AdaptiveGeneric Learning for Face Recognition from a Single Sample per Person”IEEEComputer Vision and Pattern Recognition.San Francisco,CA,June 2010:2699-2706)提出的自适应通用学习(Adaptive Generic Learning，AGL)方法试图利用一个从通用训练集上学到的预测模型进一步完善该假设。Kan等人(M.Kan,S.Shan,Y.Su,et al.“Adaptivediscriminant learning for face recognition”.Pattern Recognition,2013,46(9):2497-2509)提出的自适应判别分析(Adaptive Discriminant Analysis)方法则基于上述自适应通用学习的思想，利用与测试样本邻近的通用集内的若干训练样本去估计测试样本的类内散度矩阵。最近，为解决单样本识别问题，文献(B.Wang,F.Zhou,W.Li,Z.Li,Q.Liao“Combining Specific Learning and Generic Learning for Single-Sample FaceRecognition,”5th International Congress on Image and Signal Processing,Chongqing,Oct.2012:1219-1223)将具体学习(Specific Learning)和通用学习(GenericLearning)相结合，而Deng等人(W.Deng,J.Hu,X.Zhou,et al.“Equidistant prototypesembedding for single sample based face recognition with generic learning andincremental learning,”Pattern Recognition,2014,47(12):3738-3749)则基于“等距原型嵌入”原理提出了一种线性回归分析(linear regression Analysis，LRA)方法，并引入通用学习来提升该方法的泛化能力。