[发明专利]一种消除局部遮挡物影响的人脸识别方法

摘要

一种消除局部遮挡物影响的人脸识别方法属人工智能和模式识别技术领域，本发明基于BP神经网络算法，根据局部特征进行初步人脸识别，然后在RGB空间将初步识别的人脸图像与待识别人脸进行图像融合重构去除遮挡，最后对融合图像使用线性判别分析方法和最邻近分类器进行人脸分类识别。本发明与现有的方法相比能更有效识别有遮挡物的人脸，能更好地重建人脸，更适用于自然环境下的人脸识别，具有较强的鲁棒性。

主权项

一种消除局部遮挡物影响的人脸识别方法，其特征在于包括下列步骤：1.1选择AR人脸数据库，并由不同目标、包括墨镜和围巾的不同遮挡物组成本实验的人脸数据库；1.2图像的预处理：从AR人脸数据库中选择无遮挡物的人脸图像作为训练样本，其余有墨镜和围巾遮挡物的人脸图像作为测试样本，读取人脸图像训练样本Xi(i＝1,2,…,m),其中m为样本的类别数量；1.2.1首先将训练样本图像分割为眼睛和嘴巴两部分；其次，对分割出来的两部分进行图像校正；然后，将两部分局部特征进行PCA数据降维：计算训练样本Xi总的均值向量为：以及总体散度矩阵：St=1mΣi=1m(Xi-u)(Xi-u)T;]]>利用St计算其特征值为λ＝λ1,λ2,…,λm，以及对应的特征向量为将特征值排序λ1≥λ2≥…≥λm≥0，同时将对应的特征向量也进行排序，并选择前r(r＜＜m)个特征值所对应的特征向量构成特征子空间，即最优投影矩阵；任何一张人脸局部图像都可以在最优投影矩阵中做投影并获得一组投影系数：投影系数作为人脸局部图像初步识别的依据；1.3建立BP神经网络模型，确定神经网络各项参数，包括网络的隐藏层数为2，节点数分别为60和15；选取为Sigmoid网络激发函数；设定最大迭代次数为5000；网络学习率为0.85；网络目标误差为1×10‑4；根据BP神经网络初步识别人脸的范围：将步骤1.2.1图像预处理得到的最优投影矩阵作为神经网络的输入，输入和输出层的节点个数分别为r和m；1.3.1给定训练样本的输入和输出，确定网络的预测输出：若ωji(t)表示第i个输入节点和第j个隐藏节点经过t次权值调整的连接权重，第j个隐藏层的节点输入hji和输出uj为：其中：θj表示为隐藏和输出节点的阈值；若ωkj(t)表示第j个隐藏节点和第k个输出节点经过t次权值调整的连接权重，第j个隐藏层的节点输入hji和输出uj为：yk=f(ykj)=f[Σj=1nωkjuj-θk],k=(1,2,...,m)]]>其中：θk表示为隐藏和输出节点的阈值；f是激励函数，采用Sigmoid型，即1.3.2将网络的总目标函数J作为对网络学习状况的评价：J(t)＝ΣE(t)其中：E为训练样本输入网络的目标函数，对J进行判断，当J小于预先设定的值，训练结束，否则，重新训练；1.4待测图像进行初步识别：从测试样本中随机选取待测图像，将待测图像分割为遮挡部分和未遮挡部分，对未遮挡部分进行PCA数据降维，输入步骤1.3训练好的BP神经网络中，输出人脸空间图，根据统计学概率选择人脸空间图的前五个概率值对应的人脸图像，得到初步识别的人脸图像；1.5基于RGB空间的三色通道融合，根据步骤1.4初步识别的人脸图像与待测图像遮挡部分在RGB空间进行融合，对遮挡区域进行重建：X^=P2R1′+P2G2′+P2B2′]]>其中：R′1表示步骤1.4待测图像R分量的主要特征；G'2和B'2分别表示初步识别的人脸图像G分量和B分量的主要特征，P2＝(p1,p2,p3)表示初步识别的人脸图像的特征向量；1.6对融合图像用线性判别分析法LDA进行特征向量提取，找到一个最大化类间散度Sb与类内散度Sw之比的投影：1.6.1根据公式(1)、(2)得到类间散布矩阵Sb和类内散布矩阵Sw：Sb=Σm=1mΣn=1n(xn-um)(xn-um)T---(1)]]>Sw=Σm=1mΣn=1n(u0-ui)(u0-ui)T---(2)]]>1.6.2首先使用PCA方法对融合图像进行降维，根据公式(1)、(2)和(3)进行系数提取，再使用线性判别分析法LDA进行特征提取，进行人脸识别：ψ＝ψldaψpca  (3)ψpca=argmaxψ|ψTStψ|---(4)]]>ψlda=argmaxψ|ψTψpcaTSwψpcaψψTψpcaTSbψpcaψ|---(5)]]>其中：St是总体散度矩阵；1.6.3当Sw是非奇异矩阵,通过解决广义特征值问题得到:Swψm＝λmSbψm,m＝1,2,...,M‑11.7将融合图像投影到最优投影矩阵中，计算融合图像与训练样本在最优投影矩阵的欧氏距离：d(x,y)=Σm(X^-Xi)2---(6)]]>根据最邻近分类器(KNN)对人脸图像进行识别，KNN识别函数：g(x)=min||X^-Xi||---(7).]]>