CN102722699A - 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 - Google Patents

Abstract

本发明公开了一种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。它包括以下步骤：首先，将人脸图像尺寸归一化，利用高斯滤波器平滑图像；通过不同半径的滤波窗口提取图像多尺度的韦伯局部特征的差分激励成分，采用Sobel算子提取其方向信息；根据多尺度差分激励和方向信息提取人脸图像的多尺度的韦伯局部特征，并利用直方图交叉核将其映射到核空间；然后，利用训练样本得到的核矩阵作为稀疏字典，计算由测试样本得到的核向量的组稀疏表示系数；最后，根据组稀疏系数重构测试样本的多尺度韦伯局部特征向量，利用最小重构误差识别测试样本。本发明融合多尺度韦伯局部特征和核组稀疏表示算法进行人脸识别，大大提高了识别准确率。

Description

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

技术领域

本发明属于图像处理技术领域，具体涉及一种基于多尺度的韦伯局部特征（WLD, Weber Local Descriptor）和核组稀疏表示（KGSR,Kernel Group Sparse Representation）的人脸识别方法。

背景技术

人脸识别指利用人脸特征信息进行身份鉴别的生物特征识别技术，具有非接触式采集、可以隐蔽操作、方便快捷、强大的事后追踪能力、交互性强和图像采集成本低等优点，广泛应用在视频监控、刑事侦破、公共安全、人机交互等领域。在可控条件下，现有的人脸识别方法一般具有良好的识别性能。但是随着光照、人脸姿态、表情、遮挡等因素的变化，识别性能将会明显下降。现有的研究中一般从以下两个方面提升识别性能：提取更有效特征表征人脸和设计更有效的分类方法。人脸特征可以分为整体特征和局部特征两类：整体特征主要包括主成分分析（Principal Component Analysis, PCA）、独立成分分析（ICA, Independent Component Analysis）、线性判别分析（LDA, Linear Discriminant Analysis）等；人脸识别中常用局部特征包括二元局部模式（LBP, Local Binary Patterns）和Gabor特征两种。在分类器方面，大部分人脸识别方法采用最近邻分类器识别人脸。近年来，稀疏表示（SR, Sparse Representation）作为分类器被成功地应用到人脸识别中，并受到广泛的关注。

发明内容

为了解决现有人脸识别存在的技术问题，本发明提出了一种识别准确度高的基于多尺度韦伯局部特征（WLD）和核组稀疏表示（KGSR）的人脸识别方法。

本发明解决上述技术问题的技术方案包括以下步骤：

（1）预处理：将人脸图像I进行尺寸归一化，并通过高斯滤波器进行平滑处理，得到矩阵I′；

（2）提取预处理后的矩阵I′的多尺度韦伯局部特征H；

（3）利用基于直方图交叉核（HIK, Histogram Intersection Kernel）的核组稀疏表示（KGSR）分类算法识别待测人脸图像。

本发明技术效果在于：（1）采用基于多尺度的韦伯局部特征的人脸表示方法，有效地提取人脸图像中不同尺度的纹理结构；（2）采用基于直方图交叉核（HIK）的核组稀疏表示分类算法进行识别，利用直方图交叉核将非线性的特征向量映射到线性高维空间，提高识别率。

附图说明

图1是本发明方法的流程框图。

图2是本发明中计算韦伯局部特征中差分激励成分的滤波窗口。

图3是本发明中计算韦伯局部特征中用于提取方向信息的Sobel算子。

图4是本发明中人脸图像的差分激励图(取L₁=8)和方向信息图(取L₂=12)及其分割示意图。其中，(a)表示源图像；(b)表示多尺度差分激励矩阵及其分割示意图；(c)是方向信息矩阵及其分割示意图。

图5是本发明中的2维韦伯局部特征直方图。

具体实施方式

下面结合附图和实例对本发明作详细描述。本发明方法的流程框图如图1所示。其具体步骤如下：

（1）将灰度人脸图像I通过高斯滤波进行平滑处理得到I′：

$I^{\′}=I*G(x,y,\mathrm{\δ})$ $G(x,y,\mathrm{\δ})=\frac{1}{{2\mathrm{\π\δ}}^2}\exp (-\frac{x^2+y^2}{{2\mathrm{\δ}}^2})$

式中，*表示卷积运算，δ是高斯函数中的标准差，一般取0.7-0.9。

（2）求取图像矩阵I′的差分激励矩阵E_m(m=1,2,3)：将预处理后的人脸图像矩阵I′经过滤波器f_1m滤波得到其差分图像矩阵v_1m，将预处理后的人脸图像矩阵I′经过滤波器f₂滤波得到v₂，滤波器f_1m和f₂如图2(a)和图2(b)所示。将v_1m与v₂的比值通过反正弦函数将映射到[-π/2,π/2]之间，得到矩阵α_m：

α_i=arctan(v_1m/v₂),v_1m= I′*f_1m,v₂= I′*f₂

将矩阵α_m线性量化成L₁个等级：

式中，矩阵α_m中处于[(i-1)π/L₁-π/2,iπ/L₁-π/2)的值被量化成ξ_i。一般来说，量化等级L₁取值越大，韦伯局部特征判别力越强，但是如果L₁取值太大，韦伯局部特征的稳定性降低，而且导致特征维数升高，运算负担增加。L₁一般取8-12。

求取图像矩阵I′的方向信息矩阵O：将预处理后的人脸图像矩阵I′分别经过滤波器f₃和f₄滤波得到其垂直方向变换矩阵v₃和水平方向变化矩阵v₄，滤波器f₃和f₄如图3(a)和图3(b)所示。v₃与v₄的比值通过反正弦函数映射到[-π/2, π/2]之间，得到矩阵θ：

θ=arctan(v₃/v₄),v₃= I′*f₃,v₄= I′*f₄

根据v₃和v₄的正负情况将θ映射到取值为[0, 2π]，得到矩阵θ′：

${\mathrm{\&theta;}}^{\&prime;}(x,y)=\left\{\begin{array}{c}\mathrm{\&theta;}(x,y),v_3(x,y)>0,v_4(x,y)>0\\ \mathrm{\&theta;}(x,y)+\mathrm{\&pi;},v_3(x,y)<0,v_4(x,y)>0\\ \mathrm{\&theta;}(x,y)+\mathrm{\&pi;},v_3(x,y)<0,v_4(x,y)<0\\ \mathrm{\&theta;}(x,y)+2\mathrm{\&pi;},v_3(x,y)>0,v_4(x,y)<0\end{array}\right.$

将矩阵θ′线性量化成L₂个等级：

矩阵θ′中在[(j-1)π/L₂,jπ/L₂)范围内的值量化成ψ_j。量化等级L₂对识别性能的影响与L₁类似，取值范围一般为8-12。

（3）如图4所示，将差分激励矩阵E_m(m=1,2,3)均匀分成N大小相同且互不重叠的矩形子块S_mn(m=1,2,3;n=1,2,…,N),同样，将方向信息矩阵均匀分成N个大小相同且互不重叠的矩形子块S_n(n=1,2,…,N)，N的取值由矩形子块的大小决定，矩形子块的宽a和高b的取值范围均为10-18。

通过差分激励矩阵子块S_mn与其对应的方向信息矩阵子块S_n求取2维韦伯局部特征直方图Z_mn={z_ij}_mn,(i=1,2,…,L₁;j=1,2,…,L₂)。如图5所示，其中z_ij是指二维直方图中第i行、第j列的值，表示该图像块中同时满足差分激励为ξ_i且方向信息为ψ_j的像素频率。例如，z₁₁表示差分激励处于[-π/2,-π/2+π/L₁]，且方向信息处于[0,2π/L₂]的像素频率。将二维的直方图Z_mn拉直成一维直方图向量，形成韦伯局部特征向量h_mn，因此，韦伯局部特征向量h_mn的维数为L₁×L₂。最后，将不同尺度的所有子块的韦伯局部特征融合成一个特征向量表示整个人脸图像： $H={[h_{11}^T,...,h_{\mathrm{mn}}^T,...,h_{3N}^T]}^T$ 。

（4）直方图交叉核的定义如下：

κ_HI(X,Y)=∑_bmin(x_b,y_b)

式中，x_b和y_b分别表示直方图向量X和Y的第b位。利用直方图交叉核将训练样本集的特征向量集合

映射成核矩阵W，同样，将测试图像的特征向量H₀映射成核向量w₀：

$W=\left\{w_{d_1,d_2}\right\}={\mathrm{\&kappa;}}_{\mathrm{HI}}(H_{d_1},H_{d_2}),(d_1,d_2=\mathrm{1,2},...,D){}_{}$ ， $D=\underset{c=1}{\overset{C}{\mathrm{\&Sigma;}}}{D}_c$ .

W中每一列与集合H中每一列对应：

，

W₀={w_d}=κ_HI(H₀,H_d),(d=1,2,…,D)

（5）利用核矩阵W作为过完备字典，其每一列作为一个原子，核向量w₀可以由W组稀疏表示为：

min||s||_2,0 s.t. ||w₀-Ws||₂＜ε

${\left|\right|s\left|\right|}_{\mathrm{2,0}}=\underset{c=1}{\overset{C}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}\left({\left|\right|s_c\left|\right|}_2\right)$ ， $\mathrm{\&delta;}\left({\left|\right|s_c\left|\right|}_2\right)=\left\{\begin{array}{cc}1,& \mathrm{if}{\left|\right|s_c\left|\right|}_2>0\\ 0,& \mathrm{if}{\left|\right|s_c\left|\right|}_2=0\end{array}\right.$

式中，D_c表示第c类人脸样本的个数，

。表示C训练样本的类别数。通过基于块的正交匹配追踪算法求取稀疏系数s：

（a）初始化：计数器k=1，残差r₀=w₀，误差容忍度0<ε<1，迭代次数上限0<η≤C，根据相关性选择的原子集合

；

（b）计算残差r_k-1与w中每个原子之间的相关性：e_k=W^Tr_k-1；

（c）选择其中相关性最大的原子（

）所对应的类别在字典包含的所有原子l_k，即选择在字典与相关性最大的原子属于同一类的所有原子；

更新选择的原子集Ω_k=[Ω_k-1 l_k]；

（d）更新稀疏系数和残差： $s={\mathrm{\&Omega;}}_k^{-1}{w}_0$ ，r_k=w₀-Ws；

（e）计数器累加k=k+1；

重复步骤（b），（c），（d），（e），直至满足||r_k||≤ε或者k>η。

选择H中每一类对应的原子H_c及其稀疏系数s_c对H₀进行重构得到其近似向量

。根据重构误差最小原则识别测试图像，得到最后的识别结果R为：

$R=\arg \underset{c=1,...,C}{\min }{\left|\right|{\stackrel{\&OverBar;}{H}}_c-H_0\left|\right|}_2$ 。

本发明方法在AR人脸数据库的子集上进行识别测验。从AR数据库中126人选出100个人(50男50女)。选取每个人的标准人脸图像(每人2张)作为训练集。不同的表情、光照条件、围巾遮挡和眼镜遮挡等4个不同子集作为测试集(每个测试集中每人6张)。在实验中，将人脸图像尺寸归一化到大小为100×100，设高斯函数标准差δ=0.8。将差分激励矩阵和方向信息矩阵分割成N=100个子区域，即每个子块的长a=10和宽b=10，取L₁=8和L₂=12提取韦伯局部特征，选取组稀疏表示（GSR）中的误差容忍度ε=0.001和迭代次数上限η=45。实验结果如表1所示。本发明的方法在表情，眼睛和围巾三个子集与主成分分析（PCA），线性判别分析（LDA），局部二元模式（LBP），Gabor幅值特征（Gabor-M）以及Gabor相角特征（Gabor-P）等方法进行比较。如表2所示，比较结果说明本发明的方法优于传统的人脸识别方法。

表1

测试集	表情	光照	眼睛	围巾
					识别率	98.83%	99.33%	99.17%	97.17%

表2

测试集	表情	眼睛	围巾
				PCA	70.07%	12.96%	2.14%
LDA	72.41%	11.58%	9.81%
				LBP	87.24%	34.63%	47.04%
Gabor-M	86.30%	21.11%	31.48%
				Gabor-P	77.04%	28.89%	55.37%
本发明的方法	98.83%	99.17%	97.17%

Claims (3)

1.一种基于多尺度韦伯局部特征（WLD, Weber Local Descriptor）和核组稀疏表示（KGSR, Kernel Group Sparse Representation）的人脸识别方法，包括如下主要步骤：

（1）预处理：将人脸图像I进行尺寸归一化，并通过高斯滤波器进行平滑处理，得到矩阵I′；

（2）提取预处理后的矩阵I′的多尺度韦伯局部特征H；

（3）利用基于直方图交叉核（HIK, Histogram Intersection Kernel）的核组稀疏表示（KGSR）分类算法识别待测人脸图像。

2.根据权利要求1所述的基于多尺度韦伯局部特征（WLD）和核组稀疏表示（KGSR）的人脸识别方法，所述步骤2的提取多尺度韦伯局部特征步骤如下：

（a）通过不同半径的窗口求取I′的不同尺度差分激励矩阵E_m(m=1,2,3)，通过Sobel算子求取方向信息矩阵O。

（b）将差分激励矩阵E_m(m=1,2,3)均匀分成N个大小相同且互不重叠的矩形子块S_mn (m=1,2,3;n=1,2,…,N)，同样，将方向信息矩阵O均匀分成N个大小相同且互不重叠的矩形子块S_n (n=(1,2,…,N)，N的取值由矩形子块的大小决定，矩形子块的长a和宽b的取值范围一般均为8-16。通过差分激励矩阵子块S_mn与其对应的方向信息矩阵子块S_n求取韦伯局部特征h_mn。将不同尺度的所有子块的韦伯局部特征组合成一个多尺度的特征向量

。

3.根据权利要求1所述的基于多尺度韦伯局部特征（WLD）和核组稀疏表示（GSR）的人脸识别方法，所述步骤3的基于直方图交叉核的核组稀疏表示（KGSR）分类算法步骤如下：

（a）利用直方图交叉核（HIK, Histogram Intersection Kernel）将训练人脸样本的特征向量集

映射成核矩阵，同样，将测试图像的特征向量H₀映射成核向量w₀，其中D_c表示训练集中第c,c=1,2,…,C类样本的个数，C表示训练样本中的类别数。

（b）将得到核矩阵W作为过完备字典，利用基于块的正交匹配追踪算法计算核向量w₀的组稀疏系数向量

。

（c）根据每一类训练样本的特征H_c及其对应的稀疏系数s_c重构测试图像的特征向量。根据最小重构误差识别测试图像： $R=\arg \underset{c=1,...,C}{\min }{\left|\right|{\stackrel{\&OverBar;}{H}}_c-H_0\left|\right|}_2$ 。

Images