CN109214307A - 基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法 - Google Patents
基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法 Download PDFInfo
- Publication number
- CN109214307A CN109214307A CN201810929879.6A CN201810929879A CN109214307A CN 109214307 A CN109214307 A CN 109214307A CN 201810929879 A CN201810929879 A CN 201810929879A CN 109214307 A CN109214307 A CN 109214307A
- Authority
- CN
- China
- Prior art keywords
- probability
- class
- test image
- face image
- subspace
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,包括以下步骤:步骤1,构建线性子空间S;步骤2,将线性子空间S内的人脸图像训练样本稀疏线性组合构成多个新的人脸图像点;步骤3,给定一个测试图像y,根据目标人脸图像点x的分配概率P(l(x)∈lX)计算测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX);步骤4,根据测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX)计算测试图像y属于当前类k的概率P(l(y)=k),k=1,2,...,K;步骤5,重复步骤4,直至得到测试图像y属于线性子空间S中每一类的概率,将测试图像y属于线性子空间S中每一类的概率中最大概率所对应的类作为测试图像y所属类。
Description
技术领域
本发明属于人脸识别技术领域,具体涉及一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法。
背景技术
人脸识别一直是最流行的生物识别方法,在未来几十年中具有巨大的应用潜力。当训练样本足够多并且有利的时候能够得到良好的特征表示用于描述人脸的特征,但是在现实世界中每个人的人脸图像经常被遮挡、光照、距离等一些外在因素所影响。因此,具有低质量图像的人脸识别比具有足够多且有利的训练样本的人脸识别更具有挑战性。
基于稀疏表示分类的人脸识别方法近年来已经表现出良好的人脸识别性能。但是基于稀疏表示分类的人脸识别方法的基本假设为不同个体的子空间满足某些不连贯性,但是由于共同的面部器官分布并不能总是有效保持这种假设,并且不擅长利用经常出现在实际应用中的低质量图像(例如,伪装,阴影,低分辨率等)进行人脸识别。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,解决现有技术无法解决的受光照影响低分辨率人脸识别问题。
为了解决上述技术问题,本申请采用如下技术方案予以实现:
一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,包括以下步骤:
步骤1,构建一组人脸图像训练样本集X=[X1,...,Xk,....,XK],其中Xk为第k类样本矩阵,该人脸图像训练样本集即为线性子空间S,所述线性子空间S包括K类子空间;
步骤2,将线性子空间S内的人脸图像训练样本乘以多组稀疏编码向量得到多个新的人脸图像点,并分别得到所述多个新的人脸图像点的分配概率;
步骤3,给定一个测试图像y,该测试图像y不属于线性子空间S,将多个新的人脸图像点中与测试图像y的相似概率最大的新的人脸图像点作为目标人脸图像点x,设该目标人脸图像点x的分配概率为P(l(x)∈lX),根据该目标人脸图像点x的分配概率P(l(x)∈lX)计算测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX),其中lX是线性子空间S中所有人脸样本的标签集;
步骤4,在线性子空间S中任选一类子空间作为当前类子空间Xk,根据测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX)计算测试图像y属于当前类k的概率P(l(y)=k),k=1,2,...,K;
步骤5,重复步骤4,直至得到测试图像y属于线性子空间S中每一类的概率,将测试图像y属于线性子空间S中每一类的概率中最大概率所对应的类作为测试图像y所属类。
进一步地,通过式(1)得到所述目标人脸图像点x的分配概率P(l(x)∈lX):
P(l(x)∈lX)∝exp(-c||α||1) (1)
式(1)中,c是常数,0<c<1,x为目标人脸图像点,l(x)表示目标人脸图像点x的类标签,α为人脸样本的稀疏编码向量,α=[α1;α2;...;αk;...;αK],αk是与Xk相关的稀疏编码矢量。
进一步地,通过式(2)根据该目标人脸图像点x的分配概率P(l(x)∈lX)计算测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX):
其中,l(y)为测试图像y的类标签,κ为常数,0<κ<1,X是人脸图像训练样本集。
进一步地,通过式(3)计算测试图像y属于线性子空间S的第k类的概率P(l(y)=k):
其中,α为人脸样本的稀疏编码向量,α=[α1;α2;...;αk;...;αK],αk是与Xk相关的稀疏编码矢量,λ=c/κ,δ是常数,0<δ<1,γ=δ/κ。
本发明与现有技术相比,有益的技术效果是:
本发明提高了低质量人脸识别的准确率,显著改善了低分辨率及光照变化这两个外在因素对人脸识别过程的影响,特别是对于光照条件比较恶劣的情况下也可以有效识别,具有较高的识别率。
附图说明
图1为本发明的流程图;
图2为本发明实施例中采用的人脸图像样例的示意图;
图3为本发明实施例中所得到的新的人脸图像点;
图4为本发明实施例中的测试图像示意图。
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例:
本实施例提供了一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,如图1所示,包括以下步骤:
步骤1,构建一组人脸图像训练样本集X=[X1,...,Xk,....,XK],其中Xk为第k类样本矩阵,Xk的每一列为一个样本向量,该人脸图像训练样本集即为线性子空间S,所述线性子空间S包括K类子空间,lX是线性子空间S中所有人脸样本的标签集;
本实施例中所构建的一组人脸图像训练样本集来自于Extened YaleB人脸数据库;Extened YaleB人脸数据库中的人脸图像共有38个不同的类别,每一类包含64种不同的光照条件,参见图2,每一类随机选择30张图像作为训练集,其余图像作为测试集。将所有图像的大小调整为32×32。
步骤2,将线性子空间S内的人脸图像训练样本乘以多组稀疏编码向量得到多个新的人脸图像点,如图3所示为本实施例中构成的多个新的人脸图像点,并得到所述多个新的人脸图像点的分配概率;
在线性子空间S内,不同的人脸图像点xi具有不同的概率l(xi)∈lX,其中xi表示第i个新的人脸图像点,l(xi)表示人脸图像点xi的分类标签,P(l(xi)∈lX)与该图像点的稀疏编码向量αi的l1范数成反比,使用拉普拉斯核函数定义这个概率:P(l(xi)∈lX)∝exp(-c||αi||1),其中c是常数,0<c<1,其值可根据实验设定。
步骤3,给定一个测试图像y,如图4,该测试图像y不属于线性子空间S,将多个新的人脸图像点中与测试图像y的相似概率最大的新的人脸图像点作为目标人脸图像点x,设该目标人脸图像点x的分配概率为P(l(x)∈lX),根据该目标人脸图像点x的分配概率P(l(x)∈lX)计算测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX);
所述目标人脸图像点x的分配概率P(l(x)∈lX)为:
P(l(x)∈lX)∝exp(-c||α||1) (1)
式(1)中,c是常数,0<c<1,其值可根据实验设定,x为目标人脸图像点,l(x)表示目标人脸图像点x的类标签,α为人脸样本的稀疏编码向量,α=[α1;α2;...;αk;...;αK],αk是与Xk相关的稀疏编码矢量。
目标人脸图像点x与测试图像y的相似概率为:
则测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX)为:
式(2)中,l(y)为测试图像y的类标签,κ为常数,0<κ<1,X是人脸图像训练样本集。
为了使概率P(l(y)∈lX)最大化,将对数运算符应用于式(2):
其中λ=c/κ。
步骤4,在线性子空间S中任选一类子空间作为当前类子空间Xk,根据测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX)计算测试图像y属于当前类k的概率P(l(y)=k),k=1,2,...,K;
本实施例中Xk为第k类样本矩阵,假设共有K个类,每一类有n个样本,每个样本为一列,其维度设为d,则Xk矩阵大小为d×n,X矩阵大小为d×(n×K),αk向量大小为n×1,稀疏编码向量α大小为(n×K)×1。
根据该目标人脸图像点x与类子空间中的数据点zk=Xkαk的相似性概率P(l(x)=k|l(x)∈lX)计算测试图像y属于当前类k的概率P(l(y)=k)为:
目标人脸图像点x与当前类子空间Xk的数据点zk=Xkαk的相似概率为
其中α=[α1;α2;...;αk;...;αK],αk是与Xk相关的稀疏编码矢量,δ是一个常数,0<δ<1,其值可根据实验设定。
则测试图像y属于当前类k的概率P(l(y)=k)为:
其中,α为人脸样本的稀疏编码向量,α=[α1;α2;...;αk;...;αK],αk是与Xk相关的稀疏编码矢量,λ=c/κ,δ是常数,0<δ<1,其值可根据实验设定,γ=δ/κ。
将对数运算符应用于式(4)并忽略常数可得:
其中,K表示人脸图像的总类别数,参数γ和λ为平衡因子,可以根据先验知识设置,或者根据训练数据使用交叉验证技术来确定γ和λ。
对于式(5),具体求解步骤如下:
(a)将上式写成以下形式:
min f(x)+g(z)
s.t.x-z=0
其中,
(b)初始化:α0=z0=u0=0,最大迭代次数maxiter=100,迭代误差ε=0.001,初始迭代步数j=0,γ=0.01,λ=1。
(c)迭代:
zj+1=Sλ(αj+1+uj);
uj+1=uj+αj+1-zj+1;
直到收敛或在固定的迭代次数之后停止。
其中,Sλ(·)为收缩函数,X'k是一个与X大小相同的矩阵,而只有Xk的样本分配给X'k中与X对应的位置,即X'k=[0,...,Xk,...,0],设
步骤5,重复步骤4,直至得到测试图像y属于线性子空间S中每一类的概率,将测试图像y属于线性子空间S中每一类的概率中最大概率所对应的类作为测试图像y所属类。
本实施例通过式(3)计算测试图像y属于线性子空间S的第k类的概率P(l(y)=k):
其中,α为人脸样本的稀疏编码向量,α=[α1;α2;...;αk;...;αK],αk是与Xk相关的稀疏编码矢量,λ=c/κ,δ是常数,0<δ<1,其值可根据实验设定,γ=δ/κ。本实施例中,对于低分辨率光照变化的人脸图像所达到的识别率为98.04%。
Claims (4)
1.一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,其特征在于,包括以下步骤:
步骤1,构建一组人脸图像训练样本集X=[X1,...,Xk,....,XK],其中Xk为第k类样本矩阵,该人脸图像训练样本集即为线性子空间S,所述线性子空间S包括K类子空间;
步骤2,将线性子空间S内的人脸图像训练样本乘以多组稀疏编码向量得到多个新的人脸图像点,并分别得到所述多个新的人脸图像点的分配概率;
步骤3,给定一个测试图像y,该测试图像y不属于线性子空间S,将多个新的人脸图像点中与测试图像y的相似概率最大的新的人脸图像点作为目标人脸图像点x,设该目标人脸图像点x的分配概率为P(l(x)∈lX),根据该目标人脸图像点x的分配概率P(l(x)∈lX)计算测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX),其中lX是线性子空间S中所有人脸样本的标签集;
步骤4,在线性子空间S中任选一类子空间作为当前类子空间Xk,根据测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX)计算测试图像y属于当前类k的概率P(l(y)=k),k=1,2,...,K;
步骤5,重复步骤4,直至得到测试图像y属于线性子空间S中每一类的概率,将测试图像y属于线性子空间S中每一类的概率中最大概率所对应的类作为测试图像y所属类。
2.根据权利要求1所述的基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,其特征在于,通过式(1)得到所述目标人脸图像点x的分配概率P(l(x)∈lX):
P(l(x)∈lX)∝exp(-c||α||1) (1)
式(1)中,c是常数,0<c<1,x为目标人脸图像点,l(x)表示目标人脸图像点x的类标签,α为人脸样本的稀疏编码向量,α=[α1;α2;...;αk;...;αK],αk是与Xk相关的稀疏编码矢量。
3.根据权利要求1所述的基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,其特征在于,通过式(2)根据该目标人脸图像点x的分配概率P(l(x)∈lX)计算测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX):
其中,l(y)为测试图像y的类标签,κ为常数,0<κ<1,X是人脸图像训练样本集。
4.根据权利要求1所述的基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,其特征在于,通过式(3)计算测试图像y属于线性子空间S的第k类的概率P(l(y)=k):
其中,α为人脸样本的稀疏编码向量,α=[α1;α2;...;αk;...;αK],αk是与Xk相关的稀疏编码矢量,λ=c/κ,δ是常数,0<δ<1,γ=δ/κ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810929879.6A CN109214307A (zh) | 2018-08-15 | 2018-08-15 | 基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810929879.6A CN109214307A (zh) | 2018-08-15 | 2018-08-15 | 基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214307A true CN109214307A (zh) | 2019-01-15 |
Family
ID=64988822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810929879.6A Pending CN109214307A (zh) | 2018-08-15 | 2018-08-15 | 基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214307A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268484A (zh) * | 2013-06-06 | 2013-08-28 | 温州大学 | 用于高精度人脸识别的分类器设计方法 |
US20160335224A1 (en) * | 2014-03-31 | 2016-11-17 | Los Alamos National Security, Llc | Efficient convolutional sparse coding |
CN106951819A (zh) * | 2016-08-19 | 2017-07-14 | 南京理工大学 | 基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法 |
-
2018
- 2018-08-15 CN CN201810929879.6A patent/CN109214307A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268484A (zh) * | 2013-06-06 | 2013-08-28 | 温州大学 | 用于高精度人脸识别的分类器设计方法 |
US20160335224A1 (en) * | 2014-03-31 | 2016-11-17 | Los Alamos National Security, Llc | Efficient convolutional sparse coding |
CN106951819A (zh) * | 2016-08-19 | 2017-07-14 | 南京理工大学 | 基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
严旭东: "基于稀疏编码的图像识别算法的研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈庆国 等: "基于ADMM算法正则化最优步长的研究", 《山西大学学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN104123560B (zh) | 基于相位编码特征和多度量学习的模糊人脸图像验证方法 | |
CN108446599B (zh) | 一种p值统计量建模独立性的高光谱图像波段快速选择方法 | |
CN108509925B (zh) | 一种基于视觉词袋模型的行人重识别方法 | |
CN111428557A (zh) | 基于神经网络模型的手写签名的自动校验的方法和装置 | |
CN109544603B (zh) | 基于深度迁移学习的目标跟踪方法 | |
CN111950610B (zh) | 基于精确尺度匹配的弱小人体目标检测方法 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
CN103984920B (zh) | 一种基于稀疏表示与多特征点的三维人脸识别方法 | |
CN109117860B (zh) | 一种基于子空间投影和字典学习的图像分类方法 | |
CN106980809B (zh) | 一种基于asm的人脸特征点检测方法 | |
CN106096517A (zh) | 一种基于低秩矩阵与特征脸的人脸识别方法 | |
CN104077742B (zh) | 基于Gabor特征的人脸素描合成方法及*** | |
CN108898269A (zh) | 基于度量的电力图像环境影响评估方法 | |
CN101986295B (zh) | 基于流形稀疏编码的图像聚类的方法 | |
CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
CN103714340B (zh) | 基于图像分块的自适应特征提取方法 | |
CN108446613A (zh) | 一种基于距离中心化与投影向量学习的行人重识别方法 | |
CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
CN110826554B (zh) | 一种红外目标检测方法 | |
CN106650769A (zh) | 基于线性表示多视图鉴别字典学习的分类方法 | |
CN106503648A (zh) | 基于稀疏投影二值编码的人脸识别方法及装置 | |
CN104463245B (zh) | 一种目标识别方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN109165675A (zh) | 基于周期性局部连接卷积神经网络的图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |