[发明专利]一种正则化仿射包模型人脸图像集识别的核快速计算方法

说明书

本发明公开了一种正则化仿射包模型人脸图像集识别的核快速算法。本发明在基于正则化仿射包模型最近邻点的人脸图像集识别方法的基础上，使用核函数将其推广到高维空间上，并推导了使用核函数进行参数迭代更新的目标优化函数、参数更新公式、代价函数公式等，提出了一种核化的正则化仿射包最近邻点方法。该方法有效解决了原正则化仿射包模型方法不能处理非线性人脸图像集数据的问题。另外，本发明还在核化的凸包模型图像集协同表达与分类方法的基础上，使用正则化仿射包模型核快速算法代替其标准二次规划求解方案，提出了核化的正则化仿射包模型图像集协同表达与分类方法。该方法有效提高了原方法的图像集识别速度。

技术领域

本发明属模式识别、人脸识别技术领域，具体涉及一种正则化仿射包模型人脸图像集识别的核快速计算方法。

技术背景

人脸图像集识别属于模式识别范畴，人脸识别近年来取得了长足的进步，特别是深度学习的引入，使得在可控环境下的人脸识别进入了成熟阶段。但是在复杂环境中的人脸识别问题，如视频监控、网络视频、跨年龄段的人脸识别等仍然具有挑战性。传统的人脸识别方法普遍以单幅图像为分析单元，其显著特点是在识别阶段使用单幅图像的信息去进行人脸匹配。很明显，使用单幅人脸图像进行识别往往无法提供足够的信息进行识别，然而在基于视频、照片集的人脸识别应用中，往往能够得到目标人脸多幅不同表情、姿态、光照等条件下的图像，综合利用多幅图像信息将可有效提高人脸识别的精度。为此，以同一个人的多幅图像所组成的图像集合作为整体分析研究，在训练和识别过程中都以图像集合为单元进行分析和相似度度量的人脸识别方法称为基于图像集的人脸识别方法。

目前基于图像集的人脸识别方法需要解决的两个重要问题是，1)如何寻找人脸图像集的有效表达方式；2)如何度量两个人脸图像集之间的相似度(或者距离)。在人脸图像集的表达方式中，主要有概率模型、线性子空间、协方差矩阵、深度模型和仿射包/凸包模型等。

概率模型很早就是基于图像集人脸识别方法的一个重要研究方向，但由于实际的测试人脸图像集合常常出现不能匹配训练集中所训练出来的概率模型的情况，由此当概率模型出现不匹配的时候，这些比较两个概率模型之间的相似性的方法将会失效。基于线性子空间的人脸图像集识别方法一直是图像集分类研究的热点，鉴于其出色的图像集表达能力，往往能够取得较好的识别结果。其代表方法有基于互子空间、正交子空间、差分子空间、典型相关角判别分析等人脸图像集识别方法，这些方法主要思想是将各个人脸图像集合表达成线性子空间，然后用子空间之间的典型相关角来度量它们之间的相似度。图像集合的线性子空间还常常被认为是Grassmann流形上的元素，于是大量基于Grassmann流形的人脸图像集识别方法被提出，例如Grassmann流形判别分析(GDA)、流形到流形的距离度量方法(MMD)、基于Grassmann的最近邻点分类方法(GNP)等。另一方面，协方差矩阵也是人脸图像集的一种有效表达方式，协方差矩阵被认为是一种黎曼流形(SPD流形)上的元素。协方差判别分析方法(CDL)即是一种利用协方差矩阵在黎曼流形上的判别分析方法，基于块的主元协方差判别分析方法(PPCDL)更是最近2017年提出的使用协方差矩阵进行人脸图像集识别的方法。基于线性子空间和协方差矩阵的人脸图像集识别方法实际上是以图像集合的变化信息作为判别特征，它们在多视角目标分类上有较好的图像集分类结果，但在视频人脸的识别上却通常没有基于包模型的人脸图像集识别方法效果好。基于仿射/凸包(Affine/convex hull image set distance，AHISD/CHISD)模型的人脸图像集识别方法是一种以样本的本征特征作为形似度对比的方法，其原理是对图像集合内的所有样本建立一个仿射包或者凸包模型，该模型能够尽可能地拟合出现有样本经过线性变换后所覆盖的样本空间。因为视频序列上的人脸变化连续，有效人脸角度变化小，容易通过一些变换得到两个非常相似的样本，相比于以变化信息作为相似度比较的线性子空间/协方差矩阵方法更具有优势。2011年Hu等人对图像集进行稀疏表达并进行仿射包建模，提出稀疏逼近的最近邻点(Sparse approximated nearest points，SANP)人脸图像集识别方法。2013年Yang等人提出了一种正则化的最近邻点方法(Regularized nearest points，RNP)，他们指出，实际上简单地使用l₂-norm正则化仿射包模型，并采用一种迭代更新参数算法即可达到更好的人脸图像集识别效果，并且算法速度远远快于模型复杂的SANP方法。