[发明专利]一种低分辨率单样本人脸识别方法

说明书

本发明公开了一种低分辨率单样本人脸识别方法，包括以下步骤：构建单样本训练集和低分辨率测试集；构建统一局部特征提取模型，使用该模型提取出测试样本与训练样本的局部区块中具有固定维数的人脸卷积特征；构建局部协同表示模型，使用该模型对训练集中单人脸样本的局部区块卷积特征进行重构，生成具有多种类内变化的局部区块卷积特征；构建融合判别模型，使用该模型计算出测试样本与重构训练样本所有局部区块间的综合相似度距离，利用该距离计算出样本的最小重构误差，将具有最小重构误差的训练样本标签作为当前测试样本的类别标签值。本发明构建的基于局部协同表示特征融合判别的人脸识别方法，可显著提高低分辨率单样本场景下的人脸识别率。

技术领域

本发明涉及图像处理技术，尤其涉及一种低分辨率单样本人脸识别方法。

背景技术

对于低分辨率人脸识别问题，目前的解决方案分为以下两类：基于超分辨率重建技术以及统一特征空间投影。其中基于超分辨率重建技术是对低分辨率人脸特征进行重建，以增加人脸图像中具有判别特性的特征。基于统一特征空间投影的方法则是将不同分辨率的人脸特征投影至一个统一的特征空间中，在投影后的特征空间中进行人脸识别。以上两种解决方案能有效解决低分辨率场景中人脸识别率低的问题。若将以上解决方案直接应用于单训练样本的人脸识别，那么使用以上算法所训练的人脸分类模型将出现泛化能力不足的问题，当测试集中的人脸出现多种类内变化时，将导致以上算法的人脸识别率急剧下降。

在单样本人脸识别方面，主要有如下两种类型方法：基于局部特征匹配与基于通用训练集。其中基于局部特征匹配的方法利用了人脸局部特征不容易受到光照、表情与姿态等各种干扰因素影响的特性，来实现单样本人脸的识别。基于通用训练集方法是使用额外的人脸数据集构建人脸类内变化字典，使用该字典来生成具有各种类内变化的人脸特征，应用所生成的特征对训练集中的样本特征进行扩充，从而实现对单样本人脸的识别。若直接将以上两种方法用于识别低分辨率人脸，则会因为图像分辨率过低，无法从图像中提取具有判别特性的人脸特征，从而导致人脸识别率严重低下，无法满足实际应用需求。

通过以上分析可知，现有的解决方法均无法同时有效解决测试样本分辨率低与每个类只有一张训练样本的问题。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种低分辨率单样本人脸识别方法。

本发明解决其技术问题所采用的技术方案是：一种低分辨率单样本人脸识别方法，包括以下步骤：

S1)构建单样本训练集和低分辨率测试集；

为每个人选择一张清晰正面的人脸图片用于构建训练集，选择具有多种类内变化且分辨率较低的人脸图片作为测试集；

S2)构建统一局部特征提取模型，使用该模型提取出测试样本与训练样本的局部区块中具有固定维数的人脸卷积特征；所述局部区块为对人脸图像根据设定人脸局部特征的提取区域进行划分得到的人脸图像的区块；使用人脸特征点定位算法对测试集与训练集中的人脸图片进行区块划分；

S3)构建局部协同表示模型，使用该模型对训练集中单人脸样本的局部区块卷积特征进行重构，生成具有多种类内变化的局部区块卷积特征；

S4)构建融合判别模型，使用该模型计算出测试样本与重构训练样本所有局部区块间的综合相似度距离，利用该距离计算出样本的最小重构误差，将具有最小重构误差的训练样本标签作为当前测试样本的类别标签值。

按上述方案，所述步骤S2)中对人脸图像根据设定人脸局部特征的提取区域进行划分，包括：使用特征点定位算法对图像中的人脸进行特征点定位，根据所定位的人脸特征点对人脸图像进行区块划分。

按上述方案，所述步骤S2)中对图像中的人脸进行特征点定位，根据所定位的人脸特征点对人脸图像进行区块划分，具体包括：

使用特征点定位算法对人脸五官区域进行特征点定位，获得人脸特征点；