CN104102903A - 一种基于src的二次人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于SRC的二次人脸识别方法，它利用SRC算法对人脸图像先进行第一次识别。通过分析识别结果的差异，判断是否需要进行二次识别。如果进行二次识别，利用Harris角点检测法和Gabor滤波器截取人脸细节特征，如眼睛、鼻子、嘴巴等特征，并组成新的人脸样本库。最后再次利用SRC算法对新的人脸样本库进行二次识别。本发明通过线性判别分析法对样本集进行降维，减小算法时间复杂度；然后又利用自商图算法，减小了光照变化对识别过程的影响；同时，结合Harris角点检测和Gabor滤波器，充分提取了人脸细节，减小了拍摄姿势、表情变化带来的影响，利用二次识别很好地提高了算法的精度。

Description

一种基于SRC的二次人脸识别方法

技术领域

本发明属于计算机生物特征识别领域，具体涉及一种人脸识别方法。

背景技术

现代生物特征识别起源于七十年代中期，并随着微处理器及各种电子元器件成本的下降和识别精度的提高，生物识别***逐渐应用于商业领域。生物特征识别技术是指通过人体生物特征进行身份认证，达到保护信息安全的目的，具有巨大的社会效应和广阔的应用前景。现已被用于生物识别的生物特征有指纹、人脸、皮肤、虹膜等。其中，由于人脸的唯一性、易采集和不易被复制的良好特性，人脸识别已被广泛用于企业住宅安全、公安刑侦、电子护照等领域，是目前最为热门的生物特征识别技术之一。

传统的人脸识别算法主要研究如何精确提取人脸特征，而作为目前主流的人脸识别算法之一的基于稀疏表示分类算法(SparseRepresentation-based Classification,SRC)将算法重点从提取人脸特征问题转变为如何稀疏表示人脸图像的问题，并获得了巨大的突破。但是，SRC算法在识别过程中并没有针对性地处理光照变化、人脸表情、拍摄姿势等因素，导致算法在实际环境中识别率受到较大的影响。

发明内容

本发明的目的是针对现有SRC算法的不足，提供一种基于SRC的二次人脸识别方法，它利用SRC算法对人脸图像先进行第一次识别。通过分析识别结果的差异，判断是否需要进行二次识别。如果进行二次识别，利用Harris角点检测法和Gabor滤波器截取人脸细节特征，如眼睛、鼻子、嘴巴等特征，并组成新的人脸样本库。最后再次利用SRC算法对新的人脸样本库进行二次识别。

本发明一种基于SRC的二次人脸识别方法，具体包括如下步骤：

步骤一、将所有人脸样本图像组成训练样本集A＝[A₁,A₂,…,A_k]，其中A₁表示第1个人的所有样本人脸，A₂表示第2个人的所有样本人脸，A_k表示第k个人的所有样本人脸，k表示人脸样本人数总量。然后用线性判别分析法(LDA)对训练样本集A进行降维处理得到新的样本集D，减小算法时间复杂度。再对测试图y进行稀疏表示，即：

y＝D·x     (1)

其中x表示测试图的稀疏解。通过L1范数最小化求解式(1)，得到稀疏解为 $\hat{x}=\min {\left|\right|x\left|\right|}_1;$

步骤二、对稀疏解进行残差计算，即：

γ_i＝||y-D·δ_i(x)||₂        (2)

其中γ_i表示第i类人的残差值，δ_i(x)表示第i类人的稀疏解。然后将γ_i与残差阈值T进行比较：如果γ_i大于T，不进行二次识别，并输出识别结果Identity(y)＝min(γ_i)，从而确定测试图类型；如果γ_i小于T，进行二次识别；

步骤三、若需要进行二次识别，则提取第一次识别中残差较小的前5个人，然后利用自商图(SQI)对这5个人脸样本进行消光照，并结合Harris角点检测和Gabor滤波器提取样本细节特征，细节特征为包括人眼、鼻子和嘴巴。最后将这5个人脸细节组成新的人脸样本库A'＝[A'₁,A'₂,…A'₅]，其中A'₁表示第1个人的所有细节图，A'₂表示第2个人的所有细节图，A'₅表示第5个人的所有细节图。由于Gabor点和Harris特征点个数不确定，导致人脸细节图数量不确定，即该5个人的细节图数量可能是不相同的。对测试图y进行人脸细节特征提取，得到新的测试图库y'＝[y′₁,y'₂,…y'_p]，其中y′₁表示测试图的第1张细节图，y'₂表示测试图的第2张细节图，y'_p表示测试图的第p张细节图，p表示测试图的细节图数量；

步骤四、求解测试图y'的稀疏解x'：

y'＝A'·x'

并进行残差计算并通过最小残差确定测试图类型。

本发明的有益效果：

本发明通过线性判别分析法对样本集进行降维，减小算法时间复杂度；然后又利用自商图算法，减小了光照变化对识别过程的影响；同时，结合Harris角点检测和Gabor滤波器，充分提取了人脸细节，减小了拍摄姿势、表情变化带来的影响，利用二次识别很好地提高了算法的精度。

附图说明

图1是本发明人脸识别方法的流程示意图；

图2(A)是原始人脸图像；

图2(B)是人脸图像进行自商图处理后的效果图；

图2(C)是人脸图像进行Gabor滤滤器处理后的效果图；

图2(D)是人脸图像进行Harris角点检测处理后的特征点坐标图；

图2(E)是截取的人脸细节图。

具体实施方式

本发明以现有SRC算法为起点，在线性判别分析法的降维处理后，进行第一次识别；通过分析残差情况，判断是否进行二次识别。如果进行二次识别，首先利用自商图算法减小光照因素的影响，然后提取人脸细节特征进行二次识别。

以下举例说明本发明整个过程的具体实施方式如下(各步骤效果图参见图2)：

原始人脸图像如图2(A)所示，首先利用线性判别分析法将原始训练样本集A(M×N)降维得到D(d×N)，其中M表示人脸图像大小，N为人脸图像总量，d表示降低到的维数。然后对测试图进行稀疏表示，如式(1)所示，并通过L1范数最小化求出稀疏解；

将稀疏解代入式(2)，求出残差并进行比较：如果γ_i大于T，不进行二次识别，并输出识别结果Identity(y)＝min(γ_i)，从而确定测试图类型；如果γ_i小于T，进行二次识别；

如果进行二次识别，首先将残差较小的前5个类别样本进入SQI处理，削弱光照影响，如图2(B)所示；然后用4×8的Gabor滤波器处理人脸，通过比较图像中每个点亮度大小：如果该Gabor点比周围其他点亮度高，则认为该点可能是人眼、鼻子等特征，从而大致判断人眼、鼻子等特征的位置信息，如图2(C)所示；接着，用Harris角点检测法对人脸图像进行特征点提取，并得到特征点的相应坐标，如图2(D)所示，如果Harris特征点坐标与Gabor点坐标相差距离小于15个像素点，则认为该Harris特征点有较大可能是人眼、鼻子等特征，从而以该Harris点为中点，截取30×30像素大小的正方形区域，如图2(E)所示。最后将所有的人脸细节图组成新的人脸样本库A'。同时，对测试图y进行相同操作，得到新的测试图库y'；

由于Gabor点和Harris特征点个数不确定，导致人脸细节图数量不确定，所以在进行二次识别时，需要对测试图中所有细节图进行SRC识别。由于测试图的细节图数量为p，因此在最后确定测试图类型时，认为识别结果中频率最高的类型为测试图类型。

Claims (1)

1.一种基于SRC的二次人脸识别方法，其特征在于，该方法具体包括如下步骤：

步骤一、将所有人脸样本图像组成训练样本集A＝[A₁,A₂,…,A_k]，其中A₁表示第1个人的所有样本人脸，A₂表示第2个人的所有样本人脸，A_k表示第k个人的所有样本人脸，k表示人脸样本人数总量；然后用线性判别分析法对训练样本集A进行降维处理得到新的样本集D，减小算法时间复杂度；再对测试图y进行稀疏表示，即：

y＝D·x      (1)

其中x表示测试图的稀疏解；通过L1范数最小化求解式(1)，得到稀疏解为 $\hat{x}=\min {\left|\right|x\left|\right|}_1;$

步骤二、对稀疏解进行残差计算，即：

γ_i＝||y-D·δ_i(x)||₂      (2)

其中γ_i表示第i类人的残差值，δ_i(x)表示第i类人的稀疏解；然后将γ_i与残差阈值T进行比较：如果γ_i大于T，不进行二次识别，并输出识别结果Identity(y)＝min(γ_i)，从而确定测试图类型；如果γ_i小于T，进行二次识别；

步骤三、若需要进行二次识别，则提取第一次识别中残差较小的前5个人，然后利用自商图对这5个人脸样本进行消光照，并结合Harris角点检测和Gabor滤波器提取样本细节特征，细节特征为包括人眼、鼻子和嘴巴；最后将这5个人脸细节组成新的人脸样本库A'＝[A'₁,A'₂,…A'₅]，其中A'₁表示第1个人的所有细节图，A'₂表示第2个人的所有细节图，A'₅表示第5个人的所有细节图；由于Gabor点和Harris特征点个数不确定，导致人脸细节图数量不确定，即该5个人的细节图数量可能是不相同的；对测试图y进行人脸细节特征提取，得到新的测试图库y'＝[y′₁,y'₂,…y'_p]，其中y′₁表示测试图的第1张细节图，y'₂表示测试图的第2张细节图，y'_p表示测试图的第p张细节图，p表示测试图的细节图数量；

步骤四、求解测试图y'的稀疏解x'：

y'＝A'·x'

并进行残差计算并通过最小残差确定测试图类型。