[发明专利]基于自适应虚拟样本产生准则的单样本人脸识别方法

摘要

本发明公开了一种基于自适应虚拟样本产生准则的单样本人脸识别方法，主要解决现有技术人脸识别率低的问题。其实现步骤为：1.选取人脸图像并划分训练和测试样本集；2.对训练样本进行奇异值分解，根据分解后的基图像重构新的训练样本图像；3.结合训练样本图像和新的重构图像构造虚拟训练样本图像，并对训练样本图像和虚拟训练样本图像分块，构成块训练样本集；4.利用这些块训练样本训练最优投影空间；5.用同样的方法对测试样本分块，将其投影到最优空间，得到块样本特征；6.根据块样本特征对块测试样本分类，用最大投票准则得到最终识别结果。本发明减小了人脸识别中鉴别信息的缺失，提高人脸识别率，可用于身份证、驾照和护照的识别。

主权项

1.一种基于自适应虚拟样本产生准则的单样本人脸识别方法，包括：(1)从标准人脸库中获得C类样本的G幅人脸图像，并在每一类中选取一幅图像作为训练样本图像，其余的图像作为N幅测试样本图像，构成训练样本集和测试样本集其中G≥2，C≥2，N≥1，X_i表示第i个训练样本，y_i表示X_i的类别标签，Z_i表示第i个测试样本，v_i表示Z_i的类别标签；(2)对训练样本集中的第i副图像X_i进行奇异值分解，得到其中n为X_i的列数，σ_j是X_i的奇异值，且σ₁≥σ₂≥…≥σ_n，u_j和v_j分别是和的第j列，表示基图像，T表示转置，j＝1,2,…,n；(3)根据奇异值分解后的基图像选取前k个最大奇异值对应的基图像重构一个新的图像其中k为选取的基图像的数量，其中，r为X_i的秩，avg表示取均值，表示取下整数；(4)根据第i幅图像X_i和重构后的新的图像得到虚拟训练样本图像其中，g是一个控制参数，取值为0.25；(5)分别将第i幅图像X_i和虚拟训练样本图像分成大小相同的重叠块{x_i1,…,x_ip,…,x_il}和其中，x_ip是图像X_i的第p个重叠块，是虚拟训练样本图像的第p个重叠块，p＝1,2,…,l，l表示重叠块的数量；(6)重复步骤(2)—(5)，依次对C个训练样本生成C个虚拟训练样本图像，并对C幅训练样本图像和它们产生的虚拟训练样本图像进行分块，得到C个训练样本图像的重叠块和虚拟训练样本图像的重叠块(7)根据步骤(6)得到的所有训练样本和虚拟训练样本图像的重叠块，构成块训练样本集(8)利用块训练样本集训练出l个最优投影空间{W₁,…,W_p,…,W_l},将训练样本图像的重叠块投影到最优投影空间{W₁,…,W_p,…,W_l}：(8a)定义基于2D‑FLDA的第p个重叠块的类内散度矩阵和类间散度矩阵其中，表示第p个重叠块的类内均值，表示第p个重叠块的所有训练样本的均值，它们分别为：(8b)根据第p个重叠块的类内散度矩阵与类间散度矩阵对进行特征值分解，得到前q个特征值λ₁＞λ₂＞…＞λ_q＞0对应的特征向量η₁,η₂,…,η_q，构成第p个重叠块的最优投影空间W_p，其中q＜C；(8c)重复步骤(8a)—(8b)，求出l个重叠块的最优投影空间{W1,…,Wp,…,Wl}；(9)对于人脸测试样本集Φ中的任意一个人脸测试样本Z_i，先对其进行分块，得到l个块测试样本{z₁,…,z_p,…,z_l}，再分别将其投影到相对应的最优投影空间{W₁,…,W_p,…,W_l}，得到块测试样本{z₁,…,z_p,…,z_l}的特征(10)根据步骤(9)得到的特征用k近邻分类器对块测试样本{z₁,…,z_p,…,z_l}进行分类，根据块分类结果，按最大投票准则求出人脸测试样本Z_i的识别结果；按照这种方法依次对人脸测试样本集Φ中的N幅人脸测试样进行识别，得到N幅人脸测试样本最终的识别结果。