[发明专利]一种消除局部遮挡物影响的人脸识别方法

说明书

技术领域

本发明属人工智能和模式技术领域，具体涉及基于通过消除局部遮挡物影响来重建人脸，进行识别的方法。

背景技术

人脸识别是人工智能最活跃、最具挑战性的问题之一，在网络技术、信息安全、身份识别等领域有着广泛的应用前景。人脸识别是多学科交叉研究的前沿热点，涉及到多个学科的知识与技术，如信号处理、智能控制、模式识别、机器视觉等。因此，人脸识别技术的发展对这些学科的诸多方面提出新的要求，进一步带动它们的发展。

最近几年，基于简单背景的各种人脸检测方法已经相当成熟，人脸识别已经成功有效地在数码相机、门禁系统、身份辨别和网络应用等使用。但是，传统的人脸识别存在明显的缺点，当人脸受到遮挡物的影响，而遮挡对人脸识别的性能影响很大，此时，人脸识别就会下降甚至无法识别。因此，目前急需一种方法能够对人脸遮挡进行消除重建。

近年来，国内外研究者对消除人脸遮挡物进行了广泛研究，并且多数都是通过图像的预处理来消除遮挡物，大致分为以下两类：1)基于图像分块的消除法。该方法将图像分割成不连续的若干局部分块，并对其未遮挡部分提取主要特征，然后采用最近邻分类器来进行识别。但这类方法都在一定程度上取决于区域检测，不能充分利用人脸全局特征。2)基于图像重建的方法。目前大多数是基于PCA重建人脸方法，利用训练图片进行建模，对待测图像进行重建处理；或者是基于稀疏表达的人脸遮挡物去除，通过求解带l₁范数的最小化问题，求出遮挡的人脸图像在无遮挡人脸图像训练集上的稀疏系数，根据稀疏系数进行恢复重建。但是由于遮挡物的非连续性，这类方法对墨镜、围巾极端的遮挡物重建效果很差。所以，如何通过利用局部特征，研究一种通过消除遮挡物来提高重建效果的方法显得尤为重要。

发明内容

本发明的目的在于提供一种能使人脸识别结果更为理想，更适用于实际场景的消除局部遮挡物影响的人脸识别方法。

本发明的一种消除局部遮挡物影响的人脸识别方法，包括下列步骤：

1.选择AR人脸数据库，并由不同目标、包括墨镜和围巾的不同遮挡物组成本实验的人脸数据库；

2.图像的预处理：从AR人脸数据库中选择无遮挡物的人脸图像作为训练样本，其余有墨镜和围巾遮挡物的人脸图像作为测试样本，读取人脸图像训练样本X_i(i＝1,2,…,m),其中m为样本的类别数量；

2.1首先将训练样本图像分割为眼睛和嘴巴两部分；其次，对分割出来的两部分进行图像校正；然后，将两部分局部特征进行PCA数据降维：

计算训练样本X_i总的均值向量为：以及总体散度矩阵：

利用S_t计算其特征值为λ＝λ₁,λ₂,…,λ_m，以及对应的特征向量为将特征值排序λ₁≥λ₂≥…≥λ_m≥0，同时将对应的特征向量也进行排序，并选择前r(r＝m)个特征值所对应的特征向量构成特征子空间，即最优投影矩阵；任何一张人脸局部图像都可以在最优投影矩阵中做投影并获得一组投影系数：投影系数作为人脸局部图像初步识别的依据；

3.建立BP神经网络模型，确定神经网络各项参数，包括网络的隐藏层数为2，节点数分别为60和15；选取为Sigmoid网络激发函数；设定最大迭代次数为5000；网络学习率为0.85；网络目标误差为1×10-4；根据BP神经网络初步识别人脸的范围：将步骤2.1图像预处理得到的最优投影矩阵作为神经网络的输入，输入和输出层的节点个数分别为r和m；

3.1给定训练样本的输入和输出，确定网络的预测输出：

若ω_ji(t)表示第i个输入节点和第j个隐藏节点经过t次权值调整的连接权重，第j个隐藏层的节点输入h_ji和输出u_j为：

其中：θ_j表示为隐藏和输出节点的阈值；

若ω_kj(t)表示第j个隐藏节点和第k个输出节点经过t次权值调整的连接权重，第j个隐藏层的节点输入h_ji和输出u_j为：

其中：θ_k表示为隐藏和输出节点的阈值；

f是激励函数，采用Sigmoid型，即

3.2将网络的总目标函数J作为对网络学习状况的评价：J(t)＝∑E(t)