CN103164710A - 一种基于压缩感知的选择集成人脸识别方法 - Google Patents

Abstract

本发明公开一种基于压缩感知的选择集成人脸识别方法，包括以下步骤：1）本方法首先根据不同的特征提取方法和不同稀疏系数求解方法建立多个压缩感知人脸分类器；2）通过选择算法选择多个由步骤1）中所产生的分类器组成集成分类器；3）利用人脸识别器快速判别待识别图像是否为有效人脸图像；4）将步骤3）中已识别为有效的人脸图像根据集成分类器进行集成人脸识别。本发明提出的选择集成人脸识别方法能够集成人脸识别，提高系统稳定性和泛化能力。本发明在ORL和YALE人脸库上的试验，验证了本发明所提出的方法的可行性和有效性。

Description

一种基于压缩感知的选择集成人脸识别方法

技术领域

本发明涉及模式识别技术领域，更具体地，涉及一种基于压缩感知的选择集成人脸识别方法。

背景技术

人脸识别技术是生物特征识别技术中的一种。目前各个国家对人脸识别技术都很重视，许多大公司也推出了基于人脸识别的身份认证技术，在视频监控、多媒体、过程控制、身份识别等领域有广泛的应用前景。近年来，基于压缩感知的人脸识别算法已经被广泛的应用。但是传统的基于压缩感知的人脸识别算法是将测试样本看做是训练样本的线性表示，有效地利用图像的冗余信息和稀疏性表示特征进行识别，具有较好的识别率，但是每个分类器采用不同的稀疏算法求解，导致在不同的测试集和验证集上的识别率有较大的差异，并且其稳定性和泛化能力不够强。

目前，中国专利申请“利用稀疏表示进行人脸识别的集成方法、基于字典学习模型的人脸识别方法和融合稀疏保持映射和多类别属性Bagging的人脸识别方法”是介绍人脸识别技术的。王爽和焦李成等利用旋转森林算法生成旋转矩阵，通过旋转矩阵把同一人脸样本数据随机投影到不同的坐标系中，利用稀疏表示分类方法对投影后的人脸样本数据进行识别，对投影后人脸样本的识别结果进行投票选择，提高了识别正确率和稳定性；林通、刘诗和査红彬通过建立字典学习模型，包括不相关的和无约束的不相关字典学习模型，将训练信号集矩阵输入到上述模型中并对模型进行求解，可获得不相关字典和线性分类器，将稀疏向量输入至线性分类器进行人脸识别。另外融合稀疏保持映射和多类别属性Bagging的人脸识别方法首先采用压缩感知理论提取人脸的特征，然后采用最近邻法进行人脸识别，最后采用Bagging进行集成人脸识别。

发明内容

本发明的目的在于提出一种基于压缩感知的选择集成人脸识别方法，本发明是利用不同的特征提取与稀疏算法产生多个基于压缩感知的人脸分类器，采用选择集成算法集成，对于待识别图片，采用快速人脸识别器进行有效识别，进而提高人脸识别的稳定性与泛化能力。

为了实现上述目的，本发明的技术方案为：

一种基于压缩感知的选择集成人脸识别方法，利用新的特征提取方法进行降维，选择不同的特征累计值和稀疏算法建立多个SRC分类器，利用选择算法选择合适的分类器组成集成分类器，通过人脸识别器将有效的人脸图像通过集成分类器进行人脸识别。

所述的方法包括下列步骤：

S1.根据不同的特征提取方法和稀疏表达算法建立n个不同的分类器；

S2.通过选择算法从n个不同的分类器选择m个分类器组成集成分类器；

S3.利用人脸识别器判别待识别图像是否为有效人脸图像；

S4.将步骤S3中判别为有效的人脸图像根据步骤S2的集成分类器进行集成人脸识别。

优选地，所述步骤S1具体为：采用下采样方法采样人脸图像，然后采用主成分分析PCA方法进行特征提取；继而采用稀疏算法进行稀疏系数求解，建立分类器SRC。

优选地，所述采用下采样方法采样20×15的人脸图像；采用主成分分析PCA方法进行特征提取，其中特征累计值分别取0.90，0.92，0.95，0.97；

采用的稀疏算法为OMP、L1-magic和GPSR的稀疏算法，建立n个稀疏表达分类器SRC，为：{s₁,s₂,...,s_n}，其中n=12。

优选地，所述步骤S2具体实现为：

S21.采用步骤S1建立的n个SRC分类器{s₁,s₂,...,s_n}模型识别所有的测试集图像，得到对应的识别率r_i(i＝1，2，…，n)；根据识别率r_i的高低对SRC分类器进行排序；

S22.采用选择策略算法选择精度高，差异度大的m个分类器；

S23.将待识别样本输入到步骤S22的m个分类器中进行识别，采用投票法进行集成，得到集成分类器。

优选地，所述步骤S21根据识别率r_i的大小对SRC分类器进行排序，其排序方式为从高到低依次排列，记为{s₁′,s′₂,...,s′_n}；

令M＝{s₁′}，N＝{s′₂，...,s′_n}。

优选地，所述步骤S22具体实现如下：

S221.令t=1，设步骤S22中的m个分类器中误识别的图像数为e_t；

S222.对于每一个S_i′∈N，计算其正确识别率，其中某个分类器中识别错误的测试图像数目记为ε_i；将纠识图像数目最多的分类器添加到m个分类器中；当有多个分类器的纠识图像数目相同时，根据以下准则进行分类器的选择：

$S^K,\mathrm{withk}=\arg \left\{\max \right\{{\mathrm{\ω}}_1{r}_i+{\mathrm{\ω}}_2\frac{z_i}{e_t}\left\}\right\}$

其中ω₂+ω₁＝1，且ω₁为识别率所占的权重，范围为（0，0.1]；ω₂为纠错所占权重，范围为[0.9，1]；

S223.令M←M∪S^K，N←N-S^K；

S224.若t<M，则t=t+1，转步骤S222；否则停止，输出选择出来的m个SRC分类器，记为{s¹,s²,...,s^m}。

优选地，所述步骤S23具体实现如下：

假设已经计算出测试样本x对于c类问题情况下，用m个分类器进行分类的后验概率集合{P_ij(x),i＝1,…,m,j=1，…，c}，对m个分类器的后验概率进行集成得到一个新的概率集合{q_j(x)，j=1，…，c}，最后选择出最大的后验概率值，其类别即为分类结果；

多数投票规则计算每个分类器的识别结果，然后进行投票，投票占多数的那一类作为最终的识别结果；可对于j类新的后验概率q_j(x)和最终的识别类别可由下面的公式计算得到：

q′_j(x)＝∑_iI(argmaxx_i(P_ij(x))＝i)

$q_j\left(x\right)=\frac{q_j^{\&prime;}\left(x\right)}{{\mathrm{\&Sigma;}}_j{q}_j^{\&prime;}\left(x\right)}$

ω(x)＝argmaxx_j(q_j(x))

其中I()是一个二值函数：如果y为真，I(y)=1，反之I(y)=0。

优选地，所述步骤S3的具体方法：人脸有效识别器主要是根据测试图像的稀疏系数的值决定的，采用下面的公式决定其是否是有效图片；K表示所有的类别

$\mathrm{SCI}\left(x\right)=\frac{K*\max x_i{\left|\right|{\mathrm{\&delta;}}_i\left(x\right)\left|\right|}_1/{\left|\right|x\left|\right|}_1-1}{K-1}$

在通过SRC分类方法得到了测试图片的稀疏系数x后，如果SCI(x)=1，表示测试图像表示一个类别；如果SCI(x)=0，表示测试图像的系数分布于所有的类别，阈值τ∈(0,1)决定测试图片是否是有效的；如果SCI(x)≥τ则图片是有效的，否则无效。

与现有技术相比，本发明的有益效果：本发明的特征提取方法采用了下采样和PCA融合方法，同采用随机高斯矩阵相比，运行时间更短，精度更高。根据稀疏算法不同，建立精度高和差异度大的分类器，并采用最大投票法产生集成分类器。对于验证集，首先采用人脸分类器进行快速排查有效性，然后进行集成识别。本方法具有比单个分类器具有更好的稳定性与泛化能力，使得在进行人脸识别时，识别结果稳定。

附图说明

图1为本发明整体流程图。

图2为ORL/YALE人脸数据库的识别率示意图。

图3为最好的单个分类器S3在ORL与Yale上的分类识别率示意图。

图4-6为人脸识别器对无效人脸的识别稀疏系数示意图。

图7-9为人脸识别器对有效人脸的识别稀疏系数示意图。

具体实施方式

下面结合附图对本发明做进一步的描述，但本发明的实施方式并不限于此。

图1中第1部分为SRC的训练选择模块，从n个SRC分类器中选择出m个精度高且差异大的分类器，如图1中虚线部分所示；第2部分是人脸识别部分，首先通过人脸识别器快速排除非人脸图像，然后根据集成的m个分类器采用最多投票法进行人脸识别。如图1中实线部分所示。

在本实施例中采用的数据库是ORL人脸数据库和Yale人脸数据库，首先ORL人脸库有40类人脸图像，每类人脸有十幅不同形态的人脸图像；Yale人脸库有15类人脸图像，每类人脸图像有十一幅不同形态的人脸图像。本发明要做的工作是在这基础上进行特征提取和识别操作。

步骤一、根据不同的特征提取方法和稀疏算法建立不同的分类器；

步骤二、通过选择算法选择多个由步骤一中所产生的分类器组成集成分类器；

步骤三、利用人脸识别器判别待识别图像是否为有效；

步骤四、步骤三中判别为有效人脸图像根据集成分类器进行识别

所述步骤一的不同的分类器建立方法具体包括：

1）分别将用于实验的两个数据库（ORL和YALE人脸库）中的图像按照预先要求建立10组训练集Train、测试集Test和验证集Validate。具体实现为：对ORL数据库中每人的10幅图像随机挑选5张作为训练集，3张作为测试集，2张作为验证集；对Yale人脸数据库，每人随机挑选5张为训练集，3张为测试集，3张为验证集。

2）分别对训练集、测试集和验证集进行归一化处理；

y＝(x-MinValue)/(MaxValue-minValue)

其中x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。

3）然后将训练集、测试集和验证集通过下采样降维到20×15后，再转化为一维信号后，组成矩阵X，Y，Z，大小分别为300×样本个数。然后将X、Y和Z采用PCA降维，特征累计值r分别取0.90、0.92、0.95和0.97，由所有训练集X的一维信号构成测量矩阵A，Y构成测试集Test，Z构成验证集Validate。

4）将Test通过三种稀疏算法L1magic、GPSR和OMP进行稀疏系数求解并进行图像识别，计算12个分类器的识别率，误识别样本编号，误识样本输出类别。其中L1magic和GPSR稀疏算法都是为解决L1最小范式问题提出来的，所谓的L₁最小范式如下：

s.t.Ax=y，OMP稀疏算法是为解决L₀最小范式问题提出来的，(L₀)：

s.t.Ax=y

步骤二的选择算法具体实现如下：

1）根据步骤一建立n=12个SRC分类器{s₁,s₂,...,s_n}，并利用这n个模型识别所有的测试集图像，得到对应的识别率r_i(i＝1,2,...,n)；m取值为3。

2）根据相应识别率r_i由高到低将所建立的n个SRC分类器排序，记为{s₁′,s′₂，...，s′_n}，令M＝{s₁′}，N＝{s′₂,...,s′_n}，进行如下操作：

(a)令t=1，设M中误识的图像数目为e_t；

(b)对于每一个S_i′∈N，计算它能够识别正确，但是M中至少有一个分类器识别错误的test图像数目，记为ε_i，代表纠识图像的数目.将纠识图像数目最多的分类器添加到M中，但实际应用中存在纠识图像数目相同的分类器，为了将其中识别率较高的分类器添加到M中，可根据以下准则进行分类器选择：

$S^K,\mathrm{withk}=\arg \left\{\max \right\{{\mathrm{\&omega;}}_1{r}_i+{\mathrm{\&omega;}}_2\frac{z_i}{e_t}\left\}\right\}$

其中_ω2+ω₁＝1，且ω₁为识别率所占的权重，取值较小，范围为(0，0.1]，取值为0.05，起辅助；ω₂为纠错所占权重，取值较大，范围为[0.9，1)，起主要作用；

(c)令M←M∪S^K，N←N-S^K；

(d)若t<m，则t=t+1，转(b)；否则停止，输出选择出来的m个SRC分类器，记为{s¹，s²,...,s^m}。

步骤三、利用人脸识别器判别待识别图像是否为有效具体实现如下：

人脸有效识别器主要是根据测试图像的稀疏系数的值决定的，能够采用下面的公式决定其是否是有效图片，K表示所有的类别，i表示某一类。

$\mathrm{SCI}\left(x\right)=\frac{K*\max x_i{\left|\right|{\mathrm{\&delta;}}_i\left(x\right)\left|\right|}_1/{\left|\right|x\left|\right|}_1-1}{K-1}$

在通过SRC分类方法得到了测试图片的稀疏系数x后，如果SCI(x)=1，那么表示测试图像表示一个类别；如果SCI(x)=0，那么表示测试图像的系数分布于所有的类别，因此，本文采用一个阈值τ∈(0,1)决定测试图片是否是有效的。如果SCI(x)≥τ则图片是有效的，否则无效。

人脸识别器采用步骤一中建立单个分类器的方法，取特征累计值r为0.95，将训练集和测试集的一维信号构成测量矩阵A，识别部分采用GPSR进行稀疏系数求解，τ=0.1。

步骤四集成验证的具体实现如下：

将步骤三中识别的有效人脸图像采用选择出的m个分类器进行识别后，采用多数投票法输出最终的类别。

运行情况为：当m=3时，对于Yale上某个验证集z，第一个识别器识别结果为第5类，建立15列向量C₁=[0 0 0 0 1 … 0]，第二个分类器识别结果为第3类，C₂=[0 0 1 0 0 … 0]，第三个识别结果为第5类时，C₃=[0 0 0 0 1 … 0]，那么最后识别结果为第5类，表示为Max(C₁+C₂+C₃)所对应的类别编号。如果编号相同的情况下，取识别率高的那个分类器的结果为最后的识别结果。

下面详述说明本发明的实验结果：

本发明的实验采用的数据库是ORL人脸数据库和Yale人脸数据库。ORL人脸数据库包含40类图片，每类图片有10张图片，共400张图片，实验中每幅图像的大小归一化为20×15。将Yale数据库包含了15位志愿者，每位志愿者有11张图片，共165张图片，包含光照，表情和姿态的变换，实验中将每幅图像的大小归一化为20×15。

对ORL数据库中每人的10幅图像随机抽取5张作为训练集，剩余5张中3张作为测试集，最后2张作为不参与集成分类器建模的验证集；对Yale人脸数据库，每人随机挑选5张为训练集，3张为测试集，3张为验证集。如此，对于ORL/Yale数据库分别包含了200/75个样本的训练集train、120/45个样本的测试集test和80/45个样本的验证集Validate.因为每次随机抽取的样本都不一样，建立的模型有部分差异，为说明结果的稳定性，每次实验均重复10次，最后取平均结果值作为最终的结果.其中，10次试验中，随机抽取的实验训练集分别存放在Train1，Train2…，Train10，测试集分别为Test1、Test2…、Test10，验证集分别为Validate1、Validate2…、Validate10.

图2是选择集成的识别结果图，其中E-SRC表示集成压缩感知方法，“ORL”表示ORL人脸数据库，“Yale”表示Yale人脸数据库，在人脸数据库都进行10次集成实验。图3为最好的单个分类器S3在ORL与Yale上的分类识别率。由图2，图3比较能够得出选择集成具有更好的识别率和稳定性。图4-6给出了人脸识别器对无效人脸的识别稀疏系数示意图，图7-9给出了人脸识别器对有效人脸的识别稀疏系数示意图。

以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于压缩感知的选择集成人脸识别方法，其特征在于，包括以下步骤：

S1.根据不同的特征提取方法和稀疏表达算法建立n个不同的分类器；

S2.通过选择算法从n个不同的分类器选择m个分类器组成集成分类器；

S3.利用人脸识别器判别待识别图像是否为有效人脸图像；

S4.将步骤S3中判别为有效的人脸图像根据步骤S2的集成分类器进行集成人脸识别。

2.根据权利要求1所述的基于压缩感知理论的选择集成人脸识别方法，其特征在于，所述步骤S1具体为：采用下采样方法采样人脸图像，然后采用主成分分析PCA方法进行特征提取；继而采用稀疏算法进行稀疏系数求解，建立分类器SRC。

3.根据权利要求2所述的基于压缩感知理论的选择集成人脸识别方法，其特征在于，所述采用下采样方法采样20×15的人脸图像；采用主成分分析PCA方法进行特征提取，其中特征累计值分别取0.90，0.92，0.95，0.97；

采用的稀疏算法为OMP、L1-magic和GPSR的稀疏算法，建立n个稀疏表达分类器SRC，为：{s₁,s₂,...,s_n}，其中n=12。

4.根据权利要求1所述的基于压缩感知理论的选择集成人脸识别方法，其特征在于，所述步骤S2具体实现为：

S21.采用步骤S1建立的n个SRC分类器{s₁,s₂,...,s_n}模型识别所有的测试集图像，得到对应的识别率r_i(i＝1，2，…，n)；根据识别率r_i的高低对SRC分类器进行排序；

S22.采用选择策略算法选择精度高，差异度大的m个分类器；

S23.将待识别样本输入到步骤S22的m个分类器中进行识别，采用投票法进行集成，得到集成分类器。

5.根据权利要求4所述的基于压缩感知理论的选择集成人脸识别方法，其特征所在于，所述步骤S21根据识别率r_i的大小对SRC分类器进行排序，其排序方式为从高到低依次排列，记为{s₁′,s′₂,...,s′_n}；

令M＝{s₁′}，N＝{s′₂，...,s′_n}。

6.根据权利要求4所述的基于压缩感知理论的选择集成人脸识别方法，其特征所在于，所述步骤S22具体实现如下：

S221.令t=1，设步骤S22中的m个分类器中误识别的图像数为e_t；

S222.对于每一个S_i′∈N，计算其正确识别率，其中某个分类器中识别错误的测试图像数目记为ε_i；将纠识图像数目最多的分类器添加到m个分类器中；当有多个分类器的纠识图像数目相同时，根据以下准则进行分类器的选择：

$S^K,\mathrm{withk}=\arg \left\{\max \right\{{\mathrm{\&omega;}}_1{r}_i+{\mathrm{\&omega;}}_2\frac{z_i}{e_t}\left\}\right\}$

其中ω₂+ω₁＝1，且ω₁为识别率所占的权重，范围为（0，0.1]；ω₂为纠错所占权重，范围为[0.9，1]；

S223.令M←M∪S^K，N←N-S^K；

S224.若t<M，则t=t+1，转步骤S222；否则停止，输出选择出来的m个SRC分类器，记为{s¹,s²,...,s^m}。

7.根据权利要求4所述的基于压缩感知理论的选择集成人脸识别方法，其特征所在于，所述步骤S23具体实现如下：

假设已经计算出测试样本x对于c类问题情况下，用m个分类器进行分类的后验概率集合{P_ij(x),i＝1,…,m,j=1，…，c}，对m个分类器的后验概率进行集成得到一个新的概率集合{q_j(x)，j=1，…，c}，最后选择出最大的后验概率值，其类别即为分类结果；

多数投票规则计算每个分类器的识别结果，然后进行投票，投票占多数的那一类作为最终的识别结果；可对于j类新的后验概率q_j(x)和最终的识别类别可由下面的公式计算得到：

q′_j(x)=∑_iI(argmaxx_i(P_ij(x))＝i)

$q_j\left(x\right)=\frac{q_j^{\&prime;}\left(x\right)}{{\mathrm{\&Sigma;}}_j{q}_j^{\&prime;}\left(x\right)}$

ω(x)＝argmaxx_j(q_j(x))

其中I()是一个二值函数：如果y为真，I(y)=1，反之I(y)=0。

8.根据权利要求1所述的基于压缩感知理论的选择集成人脸识别方法，其特征所在于，所述步骤S3的具体方法：人脸有效识别器主要是根据测试图像的稀疏系数的值决定的，采用下面的公式决定其是否是有效图片；K表示所有的类别

$\mathrm{SCI}\left(x\right)=\frac{K*\max x_i{\left|\right|{\mathrm{\&delta;}}_i\left(x\right)\left|\right|}_1/{\left|\right|x\left|\right|}_1-1}{K-1}$

在通过SRC分类方法得到了测试图片的稀疏系数x后，如果SCI(x)=1，表示测试图像表示一个类别；如果SCI(x)=0，表示测试图像的系数分布于所有的类别，阈值τ∈(0,1)决定测试图片是否是有效的；如果SCI(x)≥τ则图片是有效的，否则无效。

Images