CN103714326A - 一种单样本人脸识别方法 - Google Patents

Abstract

本发明公开了人脸识别技术领域中的一种单样本人脸识别方法。首先对人脸图像进行预处理得到单张标准的人脸图像；对人脸图像Shearlet变换得到各子带人脸频谱信息；再对各子带的人脸频谱信息融合重构组合成为人脸的融合图像，并根据信息熵对融合图像自适应加权；然后对频谱图像分块构成子图；计算各子图与训练样本的分类结果并做出决策，得到最终分类识别结果。本发明提出了一个完整有效的单样本人脸识别解决方案，一定程度上解决了光照、姿态等因素的影响，识别率高、鲁棒性强。

Description

一种单样本人脸识别方法

技术领域

本发明涉及图像处理与模式识别研究领域，特别涉及一种单样本人脸识别方法。

背景技术

人脸识别作为一种重要的生物特征识别技术，其目的是通过已登记的人脸数据库来自动识别输入人的身份。当前人脸识别技术已经在门卫系统、公安部门侦查、海关、金融等身份鉴别系统得到了广泛应用。但目前研究的很多人脸识别方法在很大程度上依赖于训练样本的数目，在很多实际应用场合，例如在二代身份证、驾照和护照等图像数据中，通常每个人只有一张训练样本，同样海关、机场监控及公安罪犯识别都是单样本识别，使得现有的识别方法无法得到实际应用。另外在现实人脸识别中收集多样本的人脸库是一项耗时、耗力的工程。

针对上述问题为了使人脸识别研究与实际应用结合紧密，从现有技术中提出了单样本人脸识别的概念，其定义是：在人脸识别系统的数据库中，每人只采用一张人脸图像作训练样本，以备后面的特征提取、分类识别和身份鉴定。目前单样本人脸识别的方法可分为两种：1)通过各种技术手段对仅有的单张人脸图像进行样本扩充，以备学习训练、分类识别；2)通过不同的特征提取方法，尽可能多地从仅有的单张人脸样本中获取鉴别特征信息来提高识别率。本发明属于第二种，提出了一个完整有效的单样本人脸识别解决方案，能有效处理遮挡、表情以及姿态等变化条件下的单样本人脸识别问题，具有很强的实用性。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种单样本人脸识别方法，该方法能有效处理遮挡、表情以及姿态等变化条件下的单样本人脸识别问题，具有很强的实用性。

本发明专利所解决的技术问题可采用如下的技术解决方案来实现：

一种单样本人脸识别方法，其特征在于包括以下步骤：

步骤1.对待识别的人脸图像进行尺度归一化和光照归一化的预处理；

步骤2.按照Shearlet变换对W×H图像I进行L层分解，每一层都分解到8个方向，计算第lth层dth方向子图I^′ld的信息熵e^ld：

$e^{\mathrm{ld}}=-\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{p}_{\mathrm{ld}}^{\′}\log p_{\mathrm{ld}}^{\′}l=\mathrm{0,1},...,\mathrm{L\; d}=\mathrm{0,1},...,8$

其中p′_ld表示第lth层dth方向子图的每级像素点概率，n为当前方向子图的像素级数。计算出8个方向子图信息熵，并将信息熵最大的定为主方向，按顺时针顺序调整其余子图的次序，并将每层所有子方向频谱信息的均值Mean作为阈值，对子图进行二值化：

$F(i,j)=\left\{\begin{array}{cc}0& I^{\&prime;\mathrm{ld}}(i,j)<\mathrm{Mean}(i,j)\\ 1& I^{\&prime;\mathrm{ld}}(i,j)\&GreaterEqual;\mathrm{Mean}(i,j)\end{array}\right.$

将同一层8个方向子图的相同存储位置的值合并为一个8位二进制数，其转换成十进制数后获得一个灰度取值在[0，255]范围的频谱融合图像；

步骤3.对不同尺度的融合特征按照信息熵进行自适应加权，第l层的权重系数w_l为：

$w_l=\frac{E_{i,j}^l}{E_{i,j}^1+E_{i,j}^2+...+E_{i,j}^L}$

其中

为第l层的所有方向子图信息熵总和；

步骤4.融合图像进行分块处理，以M×N为例，则第1类人的第一幅融合图像S_1，1，可分为：S_1，1，1，S_1，1，2，…，S_1，1，m，其中m＝M×N；根据这样的分块原理，S_i，j，m即表示第i类的第j幅Shearlet融合图像的第m个子块。每类人的1幅标准人脸，最终可得到特征向量组：

[w₁S_1，1，1w₁S_1，1，2…w₁S_1，1，m w₂S_2，1，1w₂S_2，1，2…w₂S_2，1，m…w_lS_l11w_lS_l，1，2…w_lS_l，1，m]；

步骤5.计算待识别样本子块和第i类标准样本所有子块的隶属度定义为：

$Q_{i,j,m}\left(x\right)=\frac{1}{1+\mathrm{Min}\left|\right|w_j^{\&prime;}{S}_{j,m}^{\&prime;}-w_j{S}_{i,j,m}\left|\right|}$

其中||·||为范数运算，S′_j，m表示识别样本第j幅融合图像的第m子块，w′_j表示识别样本第j幅融合图像的权重系数，S_i，j，m表示第i类标准样本的第j幅Shearlet融合图像的第m个子块，w_j表示第i类标准样本的第j幅Shearlet融合图像的权重系数；

将计算出测试样本对第i类训练样本所有子块的隶属度从大到小排列为：{Q_i，j，m(1)，Q_i，j，m(2)，…，Q_i，j，m(x)}，取每类标准人脸图像中隶属度最大的X个子块。得到测试样本与第i类训练样本的隶属度Φ(i)：

$\mathrm{\&Phi;}\left(i\right)=\underset{m=1}{\overset{X}{\mathrm{\&Sigma;}}}{Q}_{i,j,m}\left(x\right)$

测试图像跟Φ(i)最大的图像类匹配，即计算得到一幅待识别图像A与N类训练样本的隶属度向量[Φ(1)Φ(2)…Φ(N)]，最大隶属度对应的类别标示即为待识别样本的最终分类类属。

本发明较已有的人脸识别技术的优点在于：从仅有的单张人脸样本中，利用Shearlet提取面部局部特征，尽可能多地利用人脸面部器官的位置结构信息，同时对Shearlet融合图像进行分块构成人脸子图，最终通过各子图的分类结果进行决策得出系统的最终分类结果。本发明提出了一个完整有效的单样本人脸识别解决方案，一定程度上解决光照、姿态等因素的影响，识别率高、鲁棒性强。

附图说明

图1是本发明提出的单样本人脸识别方法流程图。

图2是本发明提出的经Shearlet变换4个尺度上的融合频谱图像。

图3是本发明实施例效果图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，一种单样本人脸识别方法包括以下步骤：

1).利用摄像机等视频输入设备检测获取人脸的待识别图像；

2).对待识别的人脸图像进行尺度归一化和光照归一化的预处理；

3).按照Shearlet变换对W×H图像I进行L层分解，每一层都分解到8个方向；

4).计算第lth层dth方向子图I^′ld的信息熵e^ld：

$e^{\mathrm{ld}}=-\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ld}}^{\&prime;}\log p_{\mathrm{ld}}^{\&prime;}l=\mathrm{0,1},...,\mathrm{L\; d}=\mathrm{0,1},...,8$

其中p′_ld表示第lth层dth方向子图的每级像素点概率，n为当前方向子图的像素级数。计算出8个方向子图信息熵后，并将信息熵最大的定为主方向，按顺时针顺序调整其余子图的次序，并将每层所有子方向频谱信息的均值Mean作为阈值，对各方向子图进行二值化：

$F(i,j)=\left\{\begin{array}{cc}0& I^{\&prime;\mathrm{ld}}(i,j)<\mathrm{Mean}(i,j)\\ 1& I^{\&prime;\mathrm{ld}}(i,j)\&GreaterEqual;\mathrm{Mean}(i,j)\end{array}\right.$

将同一层8个方向子图的相同存储位置的值合并为一个8位二进制数，其转换成十进制数后获得一个灰度取值在[0，255]范围的频谱融合图像。例如一幅图像进行4层Shearlet分解得到其对应4个尺度上的频谱融合图像如图2所示；

5).不同尺度的融合特征按照信息熵进行自适应加权，第l层的权重系数w_l：

$w_l=\frac{E_{i,j}^l}{E_{i,j}^1+E_{i,j}^2+...+E_{i,j}^L}$

其中

为第l层的所有方向子图信息熵的总和；

6).融合图像进行分块处理，以M×N为例，则第1类人的第一幅融合图像S_1，1，可分为：S_1，1，1，S_1，1，2，…，S_1，1，m，其中m＝M×N；根据这样的分块原理，S_i，j，m即第i类的第j幅Shearlet融合图像的第m个子块。每类人的1幅标准人脸，最终可得到特征向量组：

[w₁S_1，1，1w₁S_1，1，2…w₁S_1，1，m w₂S_2，1，1w₂S_2，1，2…w₂S_2，1，m…w_lS_l11w_lS_l，1，2…w_lS_l，1，m]

假设10类人(每类人脸1幅标准人脸，经Shearlet取4层变换融合得到10×4幅Shearlet融合图像，再经2×2分块，得到特征向量组：

其中S_i，j，m表示第i类的第j幅Shearlet融合图像的第m个子块；

7).计算待识别样本子块和第i类标准样本所有子块的隶属度定义为：

$Q_{i,j,m}\left(x\right)=\frac{1}{1+\mathrm{Min}\left|\right|w_j^{\&prime;}{S}_{j,m}^{\&prime;}-w_j{S}_{i,j,m}\left|\right|}$

其中||·||为范数运算，S′_j，m表示待识别样本的第j幅融合图像的第m子块，w′_j表示识别样本第j幅融合图像的权重系数，S_i，j，m表示第i类标准样本的第j幅Shearlet融合图像的第m个子块，w_j表示第i类标准样本的第j幅Shearlet融合图像的权重系数。

将计算出的测试样本对第i类训练样本所有子块的隶属度从大到小排列为：{Q_i，j，m(1)，Q_i，j，m(2)，…，Q_i，j，m(x)}，取每类标准人脸图像中隶属度最大的X个子块。得到测试样本与第i类训练样本的隶属度Φ(i)：

$\mathrm{\&Phi;}\left(i\right)=\underset{m=1}{\overset{X}{\mathrm{\&Sigma;}}}{Q}_{i,j,m}\left(x\right)$

测试图像跟Φ(i)最大的图像类匹配，即计算得到一幅待识别图像A与N类训练样本的隶属度向量为[Φ(1)Φ(2)…Φ(N)]，最大隶属度对应的类别标示即为待识别样本的最终分类类属。在ORL、FERET及YALE数据上的具体实验结果如图(3)所示。

Claims (4)

1.一种单样本人脸识别方法，其特征是该方法包括以下步骤：

步骤1：通过预处理获取单张标准的人脸图像，并对人脸图像Shearlet变换得到各子带人脸频谱信息；

步骤2：在步骤1的基础上对Shearlet变换后同尺度不同方向的人脸频谱图像进行融合；

步骤3：对不同尺度的融合频谱图像按照信息熵进行自适应加权；

步骤4：对频谱图像分块构成子图，计算各子图与训练样本的分类结果并做出决策得到最终分类结果。

2.根据权利要求1所述的一种单样本人脸识别方法，其特征是步骤2包括以下步骤：

步骤2.1：Shearlet变换对图像I进行L层分解，每层都分解到8个方向，计算第lth层dth方向的子图I^′ld的信息熵e^ld；

步骤2.2：计算出同尺度上8个方向子图的信息熵，并将信息熵最大的定为主方向，按顺时针顺序对剩余子图排序；

步骤2.3：将每层所有子方向频谱信息的均值Mean作为阈值，对方向子图进行二值化：

$F(i,j)=\left\{\begin{array}{cc}0& I^{\&prime;\mathrm{ld}}(i,j)<\mathrm{Mean}(i,j)\\ 1& I^{\&prime;\mathrm{ld}}(i,j)\&GreaterEqual;\mathrm{Mean}(i,j)\end{array}\right.$

步骤2.4：将同一尺度8个方向子图的相同存储位置的值合并为一个8位二进制数，再转换成十进制数后获得一个灰度取值在[0，255]范围的频谱融合图像。

3.根据权利要求1所述一种单样本人脸识别方法，其特征在于：计算待识别样本子块和第i类标准样本所有子块的隶属度定义为：

$Q_{i,j,m}\left(x\right)=\frac{1}{1+\mathrm{Min}\left|\right|w_j^{\&prime;}{S}_{j,m}^{\&prime;}-w_j{S}_{i,j,m}\left|\right|}$

其中||·||为范数运算，S′_i，m表示待识别图像的第j幅融合图像的第m子块，w′_j表示识别样本第j幅融合图像的权重系数，S_i，j，m表示第i类标准样本的第j幅Shearlet融合图像的第m个子块，w_j表示第i类标准样本的第j幅Shearlet融合图像的权重系数。

4.根据权利要求3所述一种单样本人脸识别方法，其特征在于权重系数w_l计算公式为：

$w_l=\frac{E_{i,j}^l}{E_{i,j}^1+E_{i,j}^2+...+E_{i,j}^L}$

其中

为每层所有方向子图信息熵的总和。

Images