[发明专利]分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置

说明书

技术领域

本发明涉及人脸识别领域，尤其涉及一种局部遮挡下鲁棒性强、准确性高的人脸识别方法。

背景技术

随着信息社会的迅速发展，人脸识别技术在全球范围内受到了广泛的关注，在众多公共场合下都有其重要的应用，如公共安全、视频监控、网络安全、金融银行、门禁系统、考勤系统、人机交互等。在可控场合下，现有的许多人脸识别算法已经取得了非常好的识别效果，但面向室外复杂场合下，这些算法的识别性能还难以令人满意，存在许多难题迫切需要解决，例如：遮挡、光照、表情、姿态、年龄等难题。其中遮挡问题是比较突出的一个，主要原因有：遮挡使得人脸信息不完整，导致问题解决的难度较大；其次遮挡类型多样、面积小不确定、位置具有随机性，没有合适的对遮挡问题建模的方法。

因人脸图像遮挡类型多变，目前许多针对局部遮挡下的人脸识别技术多是以加权的方式来实施。2013年Yigang Peng在《Conference on Computer Vision and Pattern》发表论文《Robost Sparse Coding for Face Recognition》针对遮挡和噪声对相应像素点赋予不同的权重。同年Lu等人在《Journal of Visual Communication&Image Representation》发表论文《Face recognition via Weighted Sparse Representation》。类似的利用数据集样本的先验信息进行加权的遮挡人脸识别算法还有很多。这一类算法大都只是停留在像素上对图像进行处理，在非控环境下，人脸图像会受遮挡、姿态、关照、表情等变化，因而像素级的人脸识别方法鲁邦性不强。另外加权的方式也会对人脸识别方法的鲁棒性造成影响，传统的利用人脸图像整体进行加权的方式以及简单的利用训练样本和待测样本的差值计算加权值很难适应复杂的人脸图像。此外，由于人脸图像结构的复杂性，如果直接将人脸图像的特征作为人脸识别方法的输入，方法的性能很可能不鲁棒，原因在于待测人脸图像提取的特征与训练集对应类人脸图像的特征集往往不在同一非线性子空间，因而在利用非线性的判别方法对人脸图像进行分类时，准确性不高。

发明内容

为了克服现有技术的不足，本发明的目的在于提供分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置，其能解决已有局部遮挡人脸识别中鲁棒性不强，准确性不高等问题。

本发明的目的之一采用以下技术方案实现：

分块协同表示嵌入核稀疏表示遮挡人脸识别方法，包括如下步骤：

S1、提取训练样本的WLD特征和测试样本的WLD特征，并生成训练样本的字典矩阵A以及待测样本的字典矩阵Y；

S2、根据训练样本的字典矩阵A获取训练样本的核矩阵K；

计算训练样本的核矩阵K的特征值和特征向量，根据特征值的贡献率获取对应的特征向量，并生成训练样本的核投影矩阵；

S3、根据测试样本的字典矩阵Y获取测试样本的主对角线对称的核矩阵K′；

S4、根据字典矩阵A、字典矩阵Y、核矩阵K′和核矩阵K，投影到核投影矩阵中得到对应的训练样本的核训练样本A'和待测样本的核测试样本Y′；

S5、将训练样本和测试样本均划分为若干个子图像，通过协同表示计算得到训练样本每个子图像的协同表示系数；并根据训练样本每一个子图像的相似性获取每一幅图像的加权系数，形成加权系数矩阵W；

S6、根据加权系数矩阵W、核训练样本A'、核测试样本Y'以及核稀疏表示方法得到分类结果。

作为优选，S1具体包括如下步骤：

提取训练样本的WLD特征，以及提取测试样本的WLD特征，WLD特征包括差分激励特征和方向梯度特征；

将训练样本的差分激励特征和方向梯度特征均转化为列向量，以及将测试样本的差分激励特征和方向梯度特征均转化为列向量；

将所有的差分激励特征的列向量和方向梯度特征的列向量组合得到训练样本的字典矩阵A，以及待测样本的字典矩阵Y。

作为优选，S2中“根据训练样本的字典矩阵A获取训练样本的核矩阵K”具体包括如下步骤：

根据训练样本的字典矩阵A获取训练样本的主对角线对称的核矩阵K，具体根据以下高斯核函数：

其中，a_i,j和a_i',j'为字典矩阵A中任意两个原子，原子为字典矩阵A中的一个列向量，σ是参数设置；i和i'均表示类，j表示i类中具体的某个原子，j′表示i'中具体的某个原子。