CN104376311A - 一种基于核贝叶斯压缩感知的人脸识别方法 - Google Patents
一种基于核贝叶斯压缩感知的人脸识别方法 Download PDFInfo
- Publication number
- CN104376311A CN104376311A CN201410739101.0A CN201410739101A CN104376311A CN 104376311 A CN104376311 A CN 104376311A CN 201410739101 A CN201410739101 A CN 201410739101A CN 104376311 A CN104376311 A CN 104376311A
- Authority
- CN
- China
- Prior art keywords
- compressed sensing
- formula
- face recognition
- bayesian
- sparse matrix
- 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
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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于核贝叶斯压缩感知的人脸识别方法,包括人脸识别系统,其特征在于还包括以下步骤:局部二值模式特征提取、核空间映射和核贝叶斯压缩感知分类。该方法结合了压缩感知方案与贝叶斯方法各自的优势,压缩感知方案中通过求稀疏系数矩阵可以很好的重构原有图像,再利用贝叶斯中先验信息对稀疏系数矩阵的约束,不仅一定程度上能克服噪声的影响,对误差范围进行估计,还对图像的恢复有非常好的效果。能够很好的克服人脸光照,遮挡以及表情等变化对人脸识别的影响,可以获得较高的识别率,最高识别率可以达到99%。同时最后运用稀疏矩阵进行重构识别,本发明运行速度也比支持向量机快。
Description
技术领域
本发明涉及本发明涉及涉及机器视觉与图像处理技术,尤其是人脸识别系统和方法。
背景技术
现有的人脸识别系统中,人脸识别的方法有多种,如支持向量机等,识别率低,并且不能很好的克服人脸光照,表情,遮挡等变化。
发明内容
本发明的目的是提供一种能克服人脸光照,表情,遮挡等变化的基于核贝叶斯压缩感知的人脸识别方法。
为了解决上述问题,结合核与贝叶斯压缩感知的思想,设计了一种新的人脸识别方法,首先用局部二值模式提取图像特征,然后运用直方图交叉核投影到高维特征空间,最后用贝叶斯结合压缩感知来分类。具体为:
一种基于核贝叶斯压缩感知的人脸识别方法,包括人脸识别系统,其特征在于还包括以下步骤:
步骤1、图像的局部二值模式特征提取
设一副图像中3 3 邻域区域局部的纹理分布 ,其中表示局部区域中心点的像素值,表示以R为半径的周围相邻等距离的P个像素点,为了防止灰度差受到影响,我们定义一个函数:
(1)
则一副图像可以标准局部二值模式(LBP)提取特征,它的表达式为:
(2)
其中度量U为:
(3)
通过得到每个像素的局部二值模式(LBP)特征值,从而得到整幅图像的特征;
步骤2、核空间映射
假设用LBP方法特征提取图像特征集后,得到训练集为,也称为字典,测试集为,则通过直方图交叉核函数,训练集和测试集投影映射为,,其中直方图交叉核函数的表达式如下:
(4)
其中是两个维度为的特征向量,分别是特征向量的特征值。根据公式还可以进一步写成:;
步骤3、核贝叶斯压缩感知的分类方法
①设核空间的一个信号可以用字典中的一组原子线性表示,则压缩感知模型为:
(5)
式中是满足Gaussian分布的噪声:,是系数矩阵,是字典,表示字典中的一个原子;
则含有噪声模型的似然估计为:
(6)
从上式可知,要通过对稀疏矩阵和噪声方差的估计,从而重构得到信号;
②对于稀疏矩阵和噪声方差的估计,一般采用贝叶斯中后验概率密度函数的方法来实现,具体方法为:
首先利用超参数的多层结构来定义先验假设,对于稀疏矩阵的先验可以写成:
(7)
其中是均值为0的高斯密度函数;
然后再定义的先验为伽马分布,公式为:
(8)
所以整体的稀疏矩阵的先验概率密度函数可写为
(9)
其中是学生—t分布;
③最终得到稀疏矩阵的表达式为:
(10)
其中,,,和分别表示训练集与测试集,与的直方图交叉核。
本发明的特点与优势为:
1、本发明首先运用了核,核方法可以将非线性不可分的特征映射到高维特征空间,在高维2、本发明结合了压缩感知方案与贝叶斯方法各自的优势,压缩感知方案中通过求稀疏系数矩阵可以很好的重构原有图像,再利用贝叶斯中先验信息对稀疏系数矩阵的约束,不仅一定程度上能克服噪声的影响,对误差范围进行估计,还对图像的恢复有非常好的效果;
3、本发明方法能够很好的克服人脸光照,遮挡以及表情等变化对人脸识别的影响,可以获得较高的识别率,最高识别率可以达到99%。在很具有挑战性的AR数据库上进行人脸识别,相对于经典的支持向量机(SVM)方法,本发明方法能够很好的克服各种因素的影响,大大提高了人脸识别率,同时最后运用稀疏矩阵进行重构识别,本发明运行速度也比支持向量机快。
附图说明
图1是本发明光照、表情和伪装变化的7张正面人脸图像。
具体实施方式
下面结合附图,对本发明作进一步说明。
下面通过一个具体的实例对本发明做详细说明,通过MATLAB来仿真,实验平台为i5处理器,主频2.4GHz,2G内存。本发明的保护范围不限于下述的实施实例。
图1所示,是本发明光照、表情和伪装变化的7张正面人脸图像。第一张是正常图像,第二张是人脸表情变化的图像,第三张是光照的变化,第四张戴眼镜,第五张是戴眼镜和光照变化,第六张是围围巾,第七张是围围巾和光照的变化。
本实例在一个公用很具有挑战性的人脸数据库—AR数据库上实验。AR数据库中包不同光照、表情和伪装变化的正面人脸图像2600幅,共100人,每人26幅图像。AR数据库分为两部分,第一部分的前1-7幅图像是表情、光照的变化,本文用来做训练集(700张),然后各取第一、第二部分的第8-10幅戴眼镜和第11-13幅戴围巾人脸图像分别来做测试集(各300张),为降低成本将人脸规格化为8360像素大小的图像。
首先对于所以图像都用局部二值模式(LBP),进行特征提取。得到训练集的特征为,测试集的特征为,测试集有四组,分别是AR人脸库,第一、二部分戴眼镜和围围巾的人脸图像各300张。
然后将训练集、测试集运用核投影到高维特征空间,根据核函数计算训练集与测试集,与的直方图交叉核,分别得到和。
再利用贝叶斯压缩感知理论,计算出每个测试样本对应于训练样本的稀疏系数矩阵。
最后根据稀疏系数矩阵来判别测试样本属于哪一类。
(11)
式中表示第类相应的稀疏表示系数。
表1 两种算法在AR数据库上识别率的比较
眼镜1 | 围巾1 | 眼镜2 | 围巾2 | |
SVM(现有方法) | 94.68 | 93.97 | 64.35 | 72.67 |
KBCS(本发明方法) | 99.01 | 99.73 | 84.66 | 89.42 |
实验结果如表1所示,其中可以看出本发明方法明显识别率明显优于现有方法。对于AR人脸库第一部分的戴眼镜和围围巾的识别率达到99%,因为实验训练集采用的是第一部分的前7张,所以对于第二部分,识别率虽然有所下降,但本发明方法算法识别率高出现有算法17%—20%左右。
所以本发明方法,可以广泛应用于现实生活中,从实验中可以看到,本发明方法有很好的鲁棒性。
Claims (1)
1.一种基于核贝叶斯压缩感知的人脸识别方法,包括人脸识别系统,其特征在于还包括以下步骤:
步骤1、图像的局部二值模式特征提取
设一副图像中3 3 邻域区域局部的纹理分布 ,其中表示局部区域中心点的像素值,表示以R为半径的周围相邻等距离的P个像素点,为了防止灰度差受到影响,我们定义一个函数:
(1)
则一副图像可以标准局部二值模式(LBP)提取特征,它的表达式为:
(2)
其中度量U为:
(3)
通过得到每个像素的局部二值模式(LBP)特征值,从而得到整幅图像的特征;
步骤2、核空间映射
假设用LBP方法特征提取图像特征集后,得到训练集为,也称为字典,测试集为,则通过直方图交叉核函数,训练集和测试集投影映射为,,其中直方图交叉核函数的表达式如下:
(4)
其中是两个维度为的特征向量,分别是特征向量的特征值;
根据公式还可以进一步写成:;
步骤3、核贝叶斯压缩感知的分类方法
①设核空间的一个信号可以用字典中的一组原子线性表示,则压缩感知模型为:
(5)
式中是满足Gaussian分布的噪声:,是系数矩阵,是字典,表示字典中的一个原子;
则含有噪声模型的似然估计为:
(6)
从上式可知,要通过对稀疏矩阵和噪声方差的估计,从而重构得到信号;
②对于稀疏矩阵和噪声方差的估计,一般采用贝叶斯中后验概率密度函数的方法来实现,具体方法为:
首先利用超参数的多层结构来定义先验假设,对于稀疏矩阵的先验可以写成:
(7)
其中是均值为0的高斯密度函数;
然后再定义的先验为伽马分布,公式为:
(8)
所以整体的稀疏矩阵的先验概率密度函数可写为
(9)
其中是学生—t分布;
③最终得到稀疏矩阵的表达式为:
(10)
其中,,,和分别表示训练集与测试集,与的直方图交叉核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410739101.0A CN104376311A (zh) | 2014-12-08 | 2014-12-08 | 一种基于核贝叶斯压缩感知的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410739101.0A CN104376311A (zh) | 2014-12-08 | 2014-12-08 | 一种基于核贝叶斯压缩感知的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104376311A true CN104376311A (zh) | 2015-02-25 |
Family
ID=52555209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410739101.0A Pending CN104376311A (zh) | 2014-12-08 | 2014-12-08 | 一种基于核贝叶斯压缩感知的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376311A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787432A (zh) * | 2016-01-15 | 2016-07-20 | 浙江工业大学 | 基于结构感知的人脸遮挡检测方法 |
CN105809132A (zh) * | 2016-03-08 | 2016-07-27 | 山东师范大学 | 一种改进的压缩感知人脸识别方法 |
CN106295517A (zh) * | 2016-07-28 | 2017-01-04 | 山东师范大学 | 一种用于稀疏表示人脸识别的自适应字典构造方法 |
CN111222434A (zh) * | 2019-12-30 | 2020-06-02 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
CN113627520A (zh) * | 2021-08-09 | 2021-11-09 | 中南大学 | 尺度选择和噪声鲁棒的改进局部二值模式的纹理描述方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464950A (zh) * | 2009-01-16 | 2009-06-24 | 北京航空航天大学 | 基于在线学习和贝叶斯推理的视频人脸识别与检索方法 |
US20110170749A1 (en) * | 2006-09-29 | 2011-07-14 | Pittsburgh Pattern Recognition, Inc. | Video retrieval system for human face content |
-
2014
- 2014-12-08 CN CN201410739101.0A patent/CN104376311A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110170749A1 (en) * | 2006-09-29 | 2011-07-14 | Pittsburgh Pattern Recognition, Inc. | Video retrieval system for human face content |
CN101464950A (zh) * | 2009-01-16 | 2009-06-24 | 北京航空航天大学 | 基于在线学习和贝叶斯推理的视频人脸识别与检索方法 |
Non-Patent Citations (4)
Title |
---|
MENG YANG等: "robust kernel representation tith statistical local features for face recognition", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
SHIHAO JI等: "bayesian compressive sensing", 《IEEE TRANS ON SIGNAL PROCESSING 》 * |
TIMO OJALA等: "multiresolution gray-scale and rotation invariant texture classification with local binery pattern", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
孙洪等: "从稀疏到结构化稀疏:贝叶斯方法", 《信号处理》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787432A (zh) * | 2016-01-15 | 2016-07-20 | 浙江工业大学 | 基于结构感知的人脸遮挡检测方法 |
CN105787432B (zh) * | 2016-01-15 | 2019-02-05 | 浙江工业大学 | 基于结构感知的人脸遮挡检测方法 |
CN105809132A (zh) * | 2016-03-08 | 2016-07-27 | 山东师范大学 | 一种改进的压缩感知人脸识别方法 |
CN106295517A (zh) * | 2016-07-28 | 2017-01-04 | 山东师范大学 | 一种用于稀疏表示人脸识别的自适应字典构造方法 |
CN106295517B (zh) * | 2016-07-28 | 2019-02-19 | 山东师范大学 | 一种用于稀疏表示人脸识别的自适应字典构造方法 |
CN111222434A (zh) * | 2019-12-30 | 2020-06-02 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
CN113627520A (zh) * | 2021-08-09 | 2021-11-09 | 中南大学 | 尺度选择和噪声鲁棒的改进局部二值模式的纹理描述方法 |
CN113627520B (zh) * | 2021-08-09 | 2023-09-05 | 中南大学 | 尺度选择和噪声鲁棒的改进局部二值模式的纹理描述方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
CN105825183B (zh) | 基于部分遮挡图像的人脸表情识别方法 | |
CN104376311A (zh) | 一种基于核贝叶斯压缩感知的人脸识别方法 | |
CN108665481A (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
CN105069447B (zh) | 一种人脸表情的识别方法 | |
CN105740842A (zh) | 基于快速密度聚类算法的无监督人脸识别方法 | |
Rouhi et al. | A review on feature extraction techniques in face recognition | |
Thalji et al. | Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding | |
CN103186776B (zh) | 基于多特征和深度信息的人体检测方法 | |
CN110334607B (zh) | 一种视频人体交互行为识别方法及系统 | |
CN104951793A (zh) | 一种基于stdf特征的人体行为识别算法 | |
CN105740875A (zh) | 一种基于多尺度三维块特征提取的肺结节多轮分类方法 | |
CN104008364A (zh) | 人脸识别方法 | |
CN106845456A (zh) | 一种视频监控系统中人体摔倒监测的方法 | |
CN104376312A (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
Lee et al. | Multiscale morphology based illumination normalization with enhanced local textures for face recognition | |
Chowdhury et al. | Cell tracking in video microscopy using bipartite graph matching | |
Hu et al. | Fusion of region-based representations for gender identification | |
CN102013101A (zh) | 一种经过模糊后处理的置换篡改图像盲检测方法 | |
CN105550642B (zh) | 基于多尺度线性差分特征低秩表示的性别识别方法及系统 | |
CN103996024A (zh) | 基于字典重建的贝叶斯估计稀疏表示人脸识别方法 | |
CN106295523A (zh) | 一种基于svm的公共场合人流量检测方法 | |
CN106340038B (zh) | 一种基于单目图像中物体的深度次序推理方法 | |
CN109815786A (zh) | 一种基于区域熵特征的步态识别方法 | |
Guo et al. | Identifying facial expression using adaptive sub-layer compensation based feature extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150225 |
|
WD01 | Invention patent application deemed withdrawn after publication |