CN104376311A - 一种基于核贝叶斯压缩感知的人脸识别方法 - Google Patents

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

一种基于核贝叶斯压缩感知的人脸识别方法

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。