CN101667246B - 基于核稀疏表示的人脸识别方法 - Google Patents
基于核稀疏表示的人脸识别方法 Download PDFInfo
- Publication number
- CN101667246B CN101667246B CN2009100240521A CN200910024052A CN101667246B CN 101667246 B CN101667246 B CN 101667246B CN 2009100240521 A CN2009100240521 A CN 2009100240521A CN 200910024052 A CN200910024052 A CN 200910024052A CN 101667246 B CN101667246 B CN 101667246B
- Authority
- CN
- China
- Prior art keywords
- sample
- test sample
- matrix
- book
- training sample
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于核稀疏表示的人脸识别方法,主要解决现有方法无法合理求解样本重构系数向量的问题。实现步骤为:(1)将训练样本矩阵和测试样本映射至核空间,然后将映射后的样本随机降维至所需要的维度,并对其进行归一化处理;(2)求解归一化后的训练样本矩阵与测试样本之间的样本重构系数向量,将其代入类别带通函数,对原测试样本进行重构;(3)求得各类别重构样本与原测试样本的残差,并代入类别判定公式得到识别结果。本发明提高了在人脸识别应用中的精度,同时将应用范围推广至低维样本,使其更具有通用性,可用于公共安全,信息安全,金融安全的监督和防护。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及人脸的识别,可用于公共安全,信息安全,金融安全的监督和防护。
背景技术
人脸识别是比较容易为人们所接受的非侵犯性识别手段,从而成为备受计算机视觉与模式识别等领域关注的热点问题。人脸识别技术的目的是赋予计算机根据人的面孔辨别人物身份的能力。人脸识别作为一个科学问题,是一个典型的图像模式分析,理解与分类的计算机问题,它涉及模式识别,计算机视觉,智能人机交互,图形学,认知科学等多个学科。作为生物特征识别关键技术之一的人脸识别技术在公共安全,信息安全,金融等领域具有潜在的应用前景。
人脸被普遍认为是在图像识别领域中最有研究价值的物体。这一方面是因为人脸在人类视觉系统中具有显著的识别能力,另一方面是因为自动人脸识别技术中有大量重要的应用。另外,人脸识别中的技术问题也涵盖了物体识别研究中所遇到的问题。物体识别研究中的核心问题就是:物体的哪个特征对于识别来说是最重要的或者是最富信息的。考虑到人脸的特殊几何结构和差异性,那些固定的滤波器,比如:下采样、傅里叶、小波等,就不能使用了,因为它们只对固定的信号有效,比如纹理图像。取而代之的是那些能够根据给出图像而自适应的提取人脸特征的方法,这些技术包括:特征脸、Fisher脸、Laplace脸、主分量分析等等。由上述方法提取出来的特征更加利于人脸识别,包括最近邻和最近子空间在内的简单的分类器都可以利用其进行识别。
虽然有众多的特征提取或选择的方法,却很少涉及到讨论哪种特征更好或者更坏,对于使用者来说也缺少指导去挑选哪种特征去应用。在人脸识别领域,已经付出了大量的努力和关注去寻找所谓“最优”特征。这种需求可能会导致某种重要因素被模糊化甚至被掩盖,这些因素可能对整个识别过程中的特征选择起到重要的作用。比如,不同的特征可能会影响到分类器的选择,也可能影响到特征维度的确定。
为此,Allen Y.Yang和Yi Ma在2007年提出一种用训练图片对测试图片进行稀疏表出的方法,根据压缩感知的原理求出稀疏表示向量,并进行设计分类的方法。该方法说明特征的数量要比这些特征是如果构造的要重要的多。只要特征的数量足够多,甚至是随机选择特征也能够进行很好的分类和识别。但是由于该方法求解的问题是一范数优化问题,这样就不可避免的遇到了针对同比例缩放的样本无法合理求解系数向量和准确分类的问题,从而可能导致分类不够精确。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于核稀疏表示的人脸识别方法,以合理求解系数向量和准确分类的问题,提高分类器的精确。
为实现上述目的,本发明包括如下步骤:
(3)对归一化后的训练样本矩阵和测试样本,利用如下优化函数:
(4)将求解得到的样本重构系数向量x,分别代入类别带通函数δi:
(5)计算重构后的样本与原测试样本的残差ri:
(6)将原测试样本的残差ri代入测试样本l的类别判定公式:
identity(l)=arg mini ri(l)
求得在K个残差中寻找的最小值,并将其下标i作为最终的人脸识别结果,用identity(l)表示。
本发明与现有方法相比具有以下优点:
1、本方法由于对训练样本矩阵和测试样本采用了高斯核非线性映射,克服了求解一范数优化函数的固有缺陷,即对同比例缩放的样本无法合理求解样本的重构系数向量的问题,高了样本的识别率。
2、本方法由于对训练样本矩阵和测试样本采用了高斯核非线性映射,相比于原方法,映射后样本的属性值就具备了相似度的概念,这样就能明确地反映出样本在其特征空间中的位置关系,以便于分类。
附图说明
图1是本发明的流程图;
图2是本发明在人工数据上与原分类算法的对比结果图;
图3是现有Extended Yale B数据库中的人脸样本示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例。
步骤1:将得到的训练和测试的人脸样本映射至核空间。
(1a)输入的样本为Extended Yale B数据库中的人脸样本图片,如图3所示。该数据库由2414张正面人脸组成,总共有38个类别,其中每一张图片的尺寸均为192*168,且均经过标准化处理。
随机的选取一半的样本作为训练样本,另一半作为测试样本。由于每个类别的样本数并不完全一致,所以每个类别平均取32幅图片作为训练样本,其余作为测试样本。
(1b)将训练样本和测试样本分别映射至核空间,本实施例采用的核函数为高斯径向基核,其核函数的表示式如下:
k=exp(-|u-v|2/(2*p2))
其中u、v均为样本,k为核映射结果,p为高斯径向基核的参数。
关于该核参数的选取,本实施例采用十倍交叉验证的方法,将样本均分为十等份,九份训练,一份测试。测试时,选择将样本映射至实验中的最低维数,选出最优参数。推广至其他维数时,则在当前最优参数附近挑选即可。原训练样本矩阵测试样本通过映射后得到的训练样本矩阵为测试样本为其中,m为原样本维数,在本实施例中为32256,n为训练样本的个数。
步骤2:求解样本重构系数向量x。
(2b)将降维后的训练样本矩阵和测试样本同时除以这两者中的最大值,完成对降维后训练样本矩阵和测试样本的归一化处理;
(2c)对归一化后的训练样本矩阵和测试样本,利用如下优化函数:
步骤3:对测试样本进行识别。
(3a)将求解得到的样本重构系数向量x,分别代入类别带通函数δi,
(3b)计算重构后的样本与归一化后测试样本的残差ri:
(3c)将原测试样本的残差ri代入测试样本l的类别判定公式:
identity(l)=arg mini ri(l)
求得在K个残差中寻找的最小值,并将其下标i作为最终的人脸识别结果,用identity(l)表示。
本发明的效果通过以下仿真进一步说明:
1、仿真条件与内容:
本发明首先采用人工数据进行实验,人工数据选取的是分别以(0,0)、(0,5)和(5,5)为中心的三类高斯正态分布数据,训练样本由每类各50个样本组成,测试样本由每类各20个样本组成,如图2(a)和图2(b)所示。
使用Extended Yale B数据库进行人脸识别实验,该数据库由2414张正面人脸组成,总共有38个类别。其中每一张图片的尺寸均为192*168,且均经过标准化处理。每个类别中的人脸图片均在人工控制的不同光照强度和角度下拍摄获得,如图3所示。在实验中,我们随机的选取一半的样本作为训练样本,另一半作为测试样本。由于每个类别的样本数并不完全一致,所以每个类别取32幅图片作为训练样本,其余作为测试样本。软件平台为MATLAB7.0。
2、仿真结果:
本发明首先采用人工数据进行实验,为的是说明在同比例缩放的样本分布情况下,现有方法在分类时的缺陷,以为在高维样本实验中的良好效果提供直观的实验依据,实验结果如图2所示。其中图2(a)为训练样本的分布示意图,图2(b)为测试样本,图2(c)为现有稀疏表示分类方法的实验结果,图2(d)为本发明核稀疏表示分类方法的实验结果。从图2(c)中可以明显看出,现有方法在低维样本的分类中存在明显缺陷,而图2(d)所示的本发明引入高斯核映射之后,测试样本得到了正确的分类。
对于Extended Yale B数据库的人脸识别实验,为了进行对比,本实验将人脸样本分别降至20、30、56、120和504维,进行仿真比较,其实验结果如表1所示。
表1 两种方法在不同维数上的识别率对比
从表1可以看出,本发明方法在实验中各个维度上的识别率均比现有方法要好。
综上,现有方法的应用使得特征选择的作用变得不再重要,随机降维也能在人脸识别中得到好的实验结果。本发明方法对训练样本矩阵和测试样本采用了高斯核非线性映射,在实验中可以看到,在低维的人工数据和在人脸数据库上的实验效果都要优于现有方法。
Claims (3)
1.一种基于核稀疏表示的人脸识别方法,包括步骤:
(3)对归一化后的训练样本矩阵和测试样本,利用如下优化函数:
min||x||1 subject to
(4)将求解得到的样本重构系数向量x,分别代入类别带通函数δi:
(5)计算重构后的样本与归一化后测试样本的残差ri:
(6)将原测试样本的残差ri代入测试样本l的类别判定公式:
identity(l)=arg mini ri(l)
求得在K个残差中寻找的最小值,并将其下标i作为最终的人脸识别结果,用identity(l)表示。
3.根据权利要求1所述的人脸识别方法,其特征在于,所述的对该降维后的训练样本矩阵和测试样本进行归一化,是用降维后的训练样本矩阵和测试样本同时除以这两者中的最大值,得到标准化的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100240521A CN101667246B (zh) | 2009-09-25 | 2009-09-25 | 基于核稀疏表示的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100240521A CN101667246B (zh) | 2009-09-25 | 2009-09-25 | 基于核稀疏表示的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101667246A CN101667246A (zh) | 2010-03-10 |
CN101667246B true CN101667246B (zh) | 2011-07-20 |
Family
ID=41803863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100240521A Expired - Fee Related CN101667246B (zh) | 2009-09-25 | 2009-09-25 | 基于核稀疏表示的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101667246B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833654B (zh) * | 2010-04-02 | 2012-01-11 | 清华大学 | 基于约束采样的稀疏表示人脸识别方法 |
CN101819628B (zh) * | 2010-04-02 | 2011-12-28 | 清华大学 | 结合形状特征的稀疏表示人脸识别方法 |
CN101833672B (zh) * | 2010-04-02 | 2012-02-29 | 清华大学 | 基于约束采样与形状特征的稀疏表示人脸识别方法 |
CN101826161B (zh) * | 2010-04-09 | 2013-03-20 | 中国科学院自动化研究所 | 一种基于局部近邻稀疏表示的目标识别方法 |
CN101872502B (zh) * | 2010-05-21 | 2012-01-25 | 杭州电子科技大学 | 基于稀疏表示的硬币图像识别方法 |
CN101895769B (zh) * | 2010-06-21 | 2011-11-30 | 清华大学 | 基于稀疏表示的视频差错隐藏方法和装置 |
CN101916369B (zh) * | 2010-08-20 | 2012-06-27 | 西安电子科技大学 | 基于核最近子空间的人脸识别方法 |
CN102324047B (zh) * | 2011-09-05 | 2013-06-12 | 西安电子科技大学 | 基于稀疏核编码skr的高光谱图像地物识别方法 |
CN102722699A (zh) * | 2012-05-22 | 2012-10-10 | 湖南大学 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
CN102930260A (zh) * | 2012-12-04 | 2013-02-13 | 山东大学 | 一种采用协作表示的掌纹识别方法 |
CN103246892B (zh) * | 2013-02-26 | 2016-06-08 | 南京信息工程大学 | 基于局部线性表示的模式分类方法 |
CN103226710B (zh) * | 2013-02-26 | 2016-02-10 | 南京信息工程大学 | 基于鉴别线性表示的模式分类方法 |
CN103984922B (zh) * | 2014-04-30 | 2017-04-26 | 苏亚 | 一种基于稀疏表示和形状约束的人脸识别方法 |
CN104281835B (zh) * | 2014-09-04 | 2017-05-17 | 台州学院 | 基于局部敏感的核稀疏表示的人脸识别方法 |
CN104318261B (zh) * | 2014-11-03 | 2016-04-27 | 河南大学 | 一种基于图嵌入低秩稀疏表示恢复的稀疏表示人脸识别方法 |
CN104657717B (zh) * | 2015-02-12 | 2018-02-02 | 合肥工业大学 | 一种基于分层核稀疏表示的行人检测方法 |
CN105740908B (zh) * | 2016-01-31 | 2017-05-24 | 中国石油大学(华东) | 基于核空间自解释稀疏表示的分类器设计方法 |
CN105760821B (zh) * | 2016-01-31 | 2017-06-06 | 中国石油大学(华东) | 基于核空间的分类聚集稀疏表示的人脸识别方法 |
CN105825205B (zh) * | 2016-04-11 | 2019-04-02 | 福州大学 | 一种协作稀疏表示自适应的快速人脸识别方法 |
CN107273864B (zh) * | 2017-06-22 | 2020-05-22 | 星际(重庆)智能装备技术研究院有限公司 | 一种基于深度学习的人脸检测方法 |
CN108319942A (zh) * | 2018-04-17 | 2018-07-24 | 深圳市唯特视科技有限公司 | 一种基于深度稀疏表示算法的高分辨率人脸图像合成方法 |
CN108764049B (zh) * | 2018-04-27 | 2021-11-16 | 南京邮电大学 | 一种基于稀疏表示的人脸识别方法 |
CN109191412B (zh) * | 2018-08-17 | 2019-12-20 | 河南工程学院 | 基于核稀疏典型相关分析热红外人脸图像可见光重建方法 |
-
2009
- 2009-09-25 CN CN2009100240521A patent/CN101667246B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101667246A (zh) | 2010-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101667246B (zh) | 基于核稀疏表示的人脸识别方法 | |
CN105117688B (zh) | 基于纹理特征融合和svm的人脸识别方法 | |
CN101425136B (zh) | 视频图像局部二进制模式特征的获取方法和装置 | |
CN101419671B (zh) | 基于模糊支持向量机的人脸性别识别方法 | |
Celik et al. | Multiscale texture classification using dual-tree complex wavelet transform | |
Mirza et al. | Gender classification from offline handwriting images using textural features | |
CN101916369B (zh) | 基于核最近子空间的人脸识别方法 | |
CN101498661B (zh) | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 | |
CN107341505B (zh) | 一种基于图像显著性与Object Bank的场景分类方法 | |
CN102846309A (zh) | 图像处理设备、图像处理方法、程序和记录介质 | |
CN102024141A (zh) | 基于Gabor小波变换和局部二值模式优化的人脸识别方法 | |
CN103279745A (zh) | 一种基于半脸多特征融合的人脸识别方法 | |
CN104281835B (zh) | 基于局部敏感的核稀疏表示的人脸识别方法 | |
CN101169830A (zh) | 基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法 | |
CN107037001A (zh) | 一种基于近红外光谱技术的玉米单倍体籽粒鉴别方法 | |
CN103279744A (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
Song et al. | Fingerprint indexing based on pyramid deep convolutional feature | |
Alsaedi et al. | Dynamic Audio-Visual Biometric Fusion for Person Recognition. | |
CN107133579A (zh) | 基于CSGF(2D)2PCANet卷积网络的人脸识别方法 | |
Imdad et al. | Writer identification using steered hermite features and svm | |
CN105868778A (zh) | 一种基于频域波动特征的中值滤波检测方法 | |
CN112232948A (zh) | 一种流量数据的异常检测方法及装置 | |
Rezaeilouyeh et al. | A microscopic image classification method using shearlet transform | |
Pushpalatha et al. | Offline signature verification based on contourlet transform and textural features using HMM | |
Liu et al. | Toward automated quality classification via statistical modeling of grain images for rice processing monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110720 Termination date: 20170925 |