[发明专利]基于词袋压缩感知特征提取的人脸识别方法

摘要

本发明公开了一种基于词袋压缩感知特征提取的人脸识别方法，包括人脸识别系统，其特征在于其识别步骤包括：图像的尺度不变特征变换特征提取、特征编码、不同尺度的特征融合和分类。该方法相比于原来的词袋模型，不仅简单实用，而且更有效，用尺度不变特征变换提取图像关键点特征后，不再找聚类中心或者学习字典，而是利用随机矩阵。让关键点特征通过与随机矩阵来进行编码，可以节省大量时间，而且没有像原词袋模型方法那样，丢失大量的空间信息。能够很好的克服人脸光照，遮挡以及表情等变化对人脸识别的影响，不仅可以获得较高的识别率，运行速度也较快，在很具有挑战性的AR数据库上进行人脸识别，大大提高了人脸识别率，更具有实时性。

主权项

1.一种基于词袋压缩感知特征提取的人脸识别方法，其特征在于其识别步骤为：步骤一、用尺度不变特征变换特征的方法来提取图像特征； (1)设一幅图像的函数为，图像与高斯核函数卷积得到不同尺度下的尺度空间；公式如下：        (1)其中，表示像素位置，F表示尺度空间，表示尺度空间因子；（2）得到图像的尺度空间后，采用DOG金字塔方法，用差分高斯金字塔函数与图像卷积得到的空间，然后来寻找极值点，得到的公式为：         (2)其中k是相邻两个不同的尺度空间；(3)根据极值点进而确定关键点，对关键点赋予的一个方向，实现图像的旋转不变性，具体做法为，根据关键点所在的尺度，选择与该尺度最相近的高斯平滑图像L；计算L上每一个点的梯度与方向；         (3)        (4)(4)关键点周围选择一个邻域，以关键点为中心利用所有在此区域内的点的梯度形成一个直方图；并对其中点的梯度做高斯加权；这个邻域划分为四个子区域，在每个子区域取八个方向；从而得到图像的尺度不变特征变换；步骤二、特征编码用分块的方法将图像分割为N×N块后，每块用上述的尺度不变特征变换得到图像的局部特征后，利用压缩感知的思想，系统随机生成一个随机字典B，然后通过稀疏表示得到特征编码；假如系统生成的随机字典为B，一幅图像y分割为N块H=[h1,…，hi,…hN]，hi是y图像尺度不变特征变换提取的第i块特征，i=1，…， N；一幅图像的每一局部块通过式(5)可求得特征编码，公式如下：        (5)其中是常数，是所求特征编码，S为要求解的系数；步骤三、图像中不同尺度的特征融合利用(5)式得到一副图像的特征编码矩阵为，是对应i块的编码，i=1，…，N；为了融合系数用最大池方法，其定义为：    (6)其中是池向量的第i个元素，表示系数编码矩阵的i行，j列，j=1，…，N；最后使用空间金字塔匹配算法，即将一副图像分割成与不同的块，就可以对不同空间位置和尺度的子区域进行特征编码，假如使用空间金字塔匹配算法求得该尺度的最大池为，然后将不同尺度和区域的特征向量串接起来，最后得到这副图像特征向量；步骤四、分类用上述方法特征提取得到每幅图像的特征向量后，采用核稀疏表示方法来分类，核函数采用直方图交叉核，其表达式如下：        (7)其中Xi,,Yj是两个维度为m的特征向量，an,bn分别是Xi,,Yj特征向量的特征值，变量n=1…m；假如图像特征提取后得到的训练集为A，测试样本为Y=[y₁…y_N]，对第个测试样本，y_i可以通过矩阵A核表示为：                           (8)其中w_i是核函数高维特征投影空间的稀疏系数，lp表示线性规划，为设定参数，将上式展开后得到的式子如下：       (9)其中表示第个测试样本，表示求与的直方图交叉核；解式(9)得到系数后，通过求最小残差e来分类：     (10)式中表示第类相应的稀疏表示系数。