[发明专利]基于内核规范相关分析的侧面人脸识别方法

摘要

本发明公开了一种基于内核规范相关分析的侧面人脸识别方法，对于待检测脸部图像的正面部分和侧脸部分，手动注释眼睛、鼻子、嘴巴和下巴，对正面和侧脸姿态进行不同程度的几何归一化处理，使用局部二值模式面部成分描述脸部，针对局部二值模式图像中的划分区域计算64个直方图，然后将面部的14个区域的直方图连接成向量进行描述，提取局部二值特征向量后，通过应用规范相关分析进行降维操作，引入基于核主成分分析的非线性一般化，以考虑侧面人脸图像和正面人脸图像之间的变换非线性，通过从原始输入空间到高维特征空间的映射来执行正面或侧面的变换，并计算欧几里德距离给出侧脸图像身份信息；有效的实现在非限制情况下侧面人脸的快速识别。

主权项

1.一种基于内核规范相关分析的侧面人脸识别方法，其步骤是：A：对于待检测脸部图像的正面部分和侧脸部分，手动注释眼睛、鼻子、嘴巴和下巴；B：以确保待测人脸图像具有相似的尺度、取向和位置，对正面和侧脸姿态进行不同程度的几何归一化处理，使用局部二值模式面部成分描述脸部，针对局部二值模式图像中的划分区域计算64个直方图，然后将面部的14个区域的直方图连接成向量进行描述；C：通过特征提取得到一个大小为p＝896(64×14)的正脸描述向量和大小为q＝896(64×14)的侧脸描述向量；D：通过应用规范相关分析进行降维操作，引入基于核主成分分析的非线性一般化，以考虑侧面人脸图像和正面人脸图像之间的变换非线性，通过从原始输入空间到高维特征空间的映射来执行正面或侧面的变换；E：估计Wx，Wy，并计算欧几里德距离给出侧脸图像身份信息，判断待检测脸部图像的侧脸部分是否为最后一幅，是最后一幅则给出侧脸识别结果，不是最后一幅则返回步骤B；正面和侧脸姿态进行不同程度的几何归一化处理包括正面的0°方向归一化和侧脸姿态90°方向归一化：其0°方向归一化步骤为：步骤一：旋转每个图像直到连接眼睛中心的线条变得水平；步骤二：图像重新缩放，使所有图像的眼睛中心之间的距离相同，并生成归一化的正面数据库；其90°方向归一化步骤为：步骤一：通过学习归一化的正面数据库来保持所有待检测脸部图像的侧脸姿态中眼睛和下巴的距离必须等于正面眼睛和下巴之间的距离，实现不同尺度侧脸的重新缩放，以确保所获得的分数不被最终归一化的不精确性所偏置；步骤二：确定旋转角度α，α在18°和22°之间变化，步长为1°，实现所有旋转的人脸都处于归一化侧脸姿态；步骤三：倾斜测试图像使连接鼻尖和下巴的切线与垂直轴形成α＝20°的角度；步骤四：在归一化正面学习数据库的平均面上计算用于重新缩放的眼睛和下巴之间的参考距离，将待检测脸部图像与学习数据库的侧脸缩放到具有相同的尺度；步骤D的详细过程为：通过基于核主成分分析的线性多项式和高斯内核来降低两个姿态的维数从而满足(p+q)<199这一必要条件，使用199个采集于FERET数据库中的人脸样本来学习正面‑侧面变换并对Wx和Wy进行估计，并且将待检测脸部图像的正面部分和侧脸部分一起通过Wy和Wx投影到规范空间上进行比较；内核规范相关分析：在本发明中，内核规范相关分析是先使用核主成分分析再用规范相关分析获得的；在应用规范相关分析之前先进行降维操作,引入基于核主成分分析的非线性一般化，以考虑侧面人脸图像和正面人脸图像之间的变换非线性，通过从原始输入空间到高维特征空间的映射来执行输入数据(正面或侧面)的变换；(1)、核主成分分析：从原始的D维特征空间到通常为M≥D的M维特征空间具有非线性变换然后将数据集{xi}中的每个数据点xi投影到点其中i＝1,2，...，N；为了简化计算，可以使用内核方法；首先，我们假设估计的新特征为零均值：投影特征向量的协方差矩阵为M×M，计算公式为：其特征值和特征向量由下式给出：CVk＝λkvk   (5)其中k＝1,2，...，M；从等式(4)和(5)，我们有：上式可以重写为：现在用等式(7)替代等式(6)中的vk,我们有将上述等式的左右乘以得到：其中：我们可以使用矩阵表示法：k2ak＝λkNkak   (11)其中：ki,j＝k(xi,xj)   (12)ak是aki的N维列向量：ak＝[ak1ak2...akN]T   (13)ak可以通过下式求解：kak＝λkNak   (14)并且可以使用以下方法计算生成的核主成分：内核方法的优点在于不需要明确地计算可以从训练数据集{xi}直接构建核矩阵；两个常用的内核是多项式内核：k(x,y)＝(xTy)d   (16)则高斯内核为：(2)、规范相关分析：规范相关分析适合对应两套测量，利用响应变量之间的相关性来提高预测精度；(X，Y)的给定N个样本(Xi，Yi)，i＝1，...，N，其中X∈Ωm，Y∈Ωn；X和Y的平均值为零；规范相关分析的目标是学习一对方向w_x和w_y以最大化两个投影和之间的相关性，其中T表示转置，即最大化：其中E[f(x,y)]表示函数的经验期望；(X,Y)的协方差矩阵为：其中Cxx和Cyy是内部协方差矩阵；Cxy和Cyx是中间协方差矩阵；因此，ρ可以重写为：给出：可以看出，W的解等于瑞利商的极值点：通过解广义的本征问题：AW＝BWλ   (23)即可得到wx和wy的解。