CN104463148A - 基于图像重构和哈希算法的人脸识别方法 - Google Patents

Abstract

本发明公开了基于图像重构和哈希算法的人脸识别方法，采用图像重构模型，利用尺度变量a^p，有效地去除了人脸图像中遮挡、掩饰，解决了人脸图像中光照不均匀和图像漂移的问题。引入Hash矩阵，将高维的数据矩阵映射到了一个低维的数据空间，大大地减小了算法的计算量。本发明在保证识别精度的情况下，既能有效处理人脸识别中多输入的问题，又能提高算法的识别效率。

Description

基于图像重构和哈希算法的人脸识别方法

技术领域

本发明属于人脸识别技术领域，特别涉及了基于图像重构和哈希算法的人脸识别方法。

背景技术

人脸识别是计算机视觉领域里一项热门的研究课题，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学原理进行分析建立数学模型，具有广阔的发展前景。对于一种稳健的人脸识别算法，需要有效地处理人脸识别中人脸遮挡、伪装、光照变化、图像漂移等多方面的挑战。

最近，John Wright提出的基于稀疏表示的人脸识别算法(SRC)越来越得到广大研究人员的关注。SRC在稀疏条件约束下，将需要识别的人脸识别图像视为所有训练图像的一个线性组合。它通过利用l₁范数去逼近l₀，从而达到令人满意的识别精度，类似的算法还有线性回归分类等等。虽然这些算法在一定的情况下能够取得比较好识别效果，但还是有一些缺陷：SRC主要面向的是单输入的人脸识别算法，同一个个体在不同条件下所拍摄的人脸图像只能一个一个的通过算法的检测识别来确定个体的标识，这样就大大的增加了识别的时间，更重要的是忽略了这些人脸图像之间的相关性。复旦大学提出的专利申请“基于分块一致LBP和稀疏编码的单训练样本人脸识别方法”(专利公开号：CN102799870A)公开了一种基于分块一致LBP和稀疏编码的人脸识别方法。该方法通过对人脸图像进行分块，对子区域计算LBP得到直方图，获得人脸图像的全局特征向量。虽然能够取得一些好的效果，但是当人脸图像的光照、遮挡比较严重的时候，该方法识别率就会出现相应的下降。

发明内容

为了解决上述背景技术提出的问题，本发明旨在提供基于图像重构和哈希算法的人脸识别方法，在保证识别精度的情况下，既能有效处理人脸识别中多输入的问题，又能提高算法的识别效率。

为了实现上述技术目的，本发明的技术方案为：

1、基于图像重构和哈希算法的人脸识别方法，其特征在于，包括以下步骤：

(1)对于人脸图像数据库中的每一个主体，随机选择k幅图像x₁,x₂,...,x_k作为该主体的测试图像，并组成相应的测试矩阵X＝[x₁,...,x_k]，其中，x_i代表第i幅测试图像，1≤i≤k；每一个主体中的其他图像作为该主体的训练图像，将所有主体的训练图像整合成训练数据矩阵D，并对每个主体的训练图像生成相应的标签；

(2)将同一个主体的的多个测试图像分别按照相同的非重叠的分块方式分成n_p块，同时对分块后测试图像x_i的每一块都关联一个尺度变量其中， $a_i^p\≥0,a_1^p+...+a_k^p=1,$ p＝1,2,...,n_p，n_p≥2；

(3)列出重构图像x与测试图像的关系式：

式(1)中，为分块后测试矩阵X的转换形式，代表的是测试矩阵中第p块所对应的矩阵，是与关联的尺度变量矩阵，1≤p≤n_p；

(4)初始化 $a^p={[\frac{1}{k},...,\frac{1}{k}]}^T;$

(5)对式(2)进行凸优化的求解，迭代求出相应的优化解a^p：

式(2)中，c代表稀疏系数，ψ(c)代表稀疏约束条件，λ₁是拉格朗日乘子，0＜λ₁＜1；

(6)将步骤(5)得到的a^p代入式(1)中，输出相应的重构图像；

(7)构建Hash矩阵H，利用Hash矩阵H对训练数据矩阵D及重构图像x进行空间变换：Φ＝HD，其中，代表的是经过变换后的训练数据矩阵，表示变换后的训练数据矩阵的行数为d、列数为m，代表经过变换后的重构图像；

(8)利用匹配跟踪算法对式(3)进行求解，获得最优化的稀疏系数c：

$\underset{c\∈R^m}{\min }{\left|\right|\tilde{x}-\mathrm{\Φc}\left|\right|}_{l_2}^2+{\mathrm{\λ}}_2{{\left|\right|c\left|\right|}_l}_1---\left(3\right)$

式(3)中，R^m表示m维的解空间，λ₂是拉格朗日乘子，0＜λ₂＜1，l₁、l₂表示一范数和二范数；

(9)求解重构图像与主体之间的残差：

$r_j\left(x\right)={{\left|\right|\tilde{x}-{\mathrm{\Φc}}^j\left(x\right)\left|\right|}_l}_2---\left(4\right)$

式(4)中，j＝1,...,M，c^j表示c中与第j个主体相对应的稀疏系数，M表示主体的总数；

(10)输出识别标签identify，根据identify与步骤(1)中生成的训练图像标签做比照，得出识别结果，其中，identify＝argmin_jr_j(x)。

其中，步骤(7)中的Hash矩阵H＝(H_IJ)：

$H_{\mathrm{IJ}}=\left\{\begin{array}{cc}2h_s(J,m)-3,& \∀s\∈\{1,...,S\}\\ 0,& \mathrm{otherwise}.\end{array}\right.---\left(5\right)$

式(5)中，H_IJ表示Hash矩阵H中第I行第J列元素，h_s(J,m)∈{1,2}，s表示散列种子的数量，s∈{1,...,S}，S表示散列种子的最大值。

其中，步骤(8)中的匹配跟踪算法为正交匹配跟踪算法。

其中，步骤(2)中所述n_p的取值为4。

其中，步骤(1)中所述k的取值范围为5≤k≤10。

采用上述技术方案带来的有益效果：

(1)本发明采用图像重构模型，利用尺度变量a^p，有效地去除了人脸图像中遮挡、掩饰，有效地解决了人脸图像中光照不均匀和图像漂移的问题，同时解决了人脸识别系统中的多输入问题；

(2)本发明引入Hash矩阵，将高维的数据矩阵映射到了一个低维的数据空间，同时低维的数据空间中的数据都是{0,+1,-1}，大大地减小了算法的计算量；

(3)本发明采用OMP算法，将低维空间的数据矩阵进行正交化处理，这使得在精度要求相同的情况下，OMP+Hash算法的收敛速度更快。

附图说明

图1为实施例中Yele B数据库中训练图像和测试图像示意图；

图2为实施例中分块图像示意图；

图3为Yale B数据库中人脸图像的重构效果图；

图4为AR数据库中人脸图像重构后的效果图；

图5为本发明采用的Hash+OMP算法与传统Hash+l₁算法的稀疏性的比较图，包括(a)、(b)两幅图，(a)图表示Hash+OMP算法的稀疏性图，(b)图表示传统Hash+l₁算法的稀疏性图；

图6为本发明的流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

首先，选择人脸数据库，例如Yele B数据库。Yele B包含38个主体，每个主体包含62至64个图像，图像之间的光照不同。在本实施例中，每个个体选择5至10个图片作为多输入测试图片，剩下的作为训练图片。对于每一个主体，将该主体的测试图像组成相应的测试矩阵X＝[x₁,...,x_k]，1≤i≤k；每一个主体中的其他图像作为该主体的训练图像，将所有主体的训练图像整合成训练数据矩阵D，并对每个主体的训练图像生成相应的标签。

如图1所示Yale数据库中训练图片与测试图片的示意图，上面一层的图片代表的是训练图片(Training)，下面一层代表的多输入测试图片(Testing)。

其次，利用图像重构模型对多输入测试图片进行非重叠分块，分块方式如图2所示。a_i代表是与测试图像x_i相对应的尺度变量，其中约束条件为a₁+a₂＝1；将每个测试图片按照同样的分块方式被分成4块，其中 $a_1^1+a_1^2+a_1^3+a_1^4+a_2^1+a_2^2+a_2^3+a_2^4=1.$

然后，列出重构图像x与测试图像的关系式：

式(1)中，为分块后测试矩阵X的转换形式，代表的是测试矩阵中第p块所对应的矩阵，是与关联的尺度变量矩阵，1≤p≤4。初始化

然后，根据式(2)进行凸优化的求解，迭代求出相应的优化解a^p：

式(2)中，c代表稀疏系数，ψ(c)代表稀疏约束条件，λ₁是拉格朗日乘子，0＜λ₁＜1。

将求解得到的a^p代入式(1)，输出重构图像x。

如图3所示Yale B数据库中人脸图像的重构效果图，X表示的多输入的测试图像，Xa表示重构后图像。如图4所示AR数据库中人脸图像重构的效果，AR数据库中的人脸图像遮挡、掩饰等问题比较严重，其中X表示的多输入的测试图像，Xa表示的重构后图像，mean(X)表示的多输入图像的均值图像，从重构后图像和均值图像的比较中可以看出，重构图像对测试图像的恢复具有更大的优势。

构建Hash矩阵H，利用Hash矩阵H对训练数据矩阵D及重构图像x进行空间变换：Φ＝HD，其中，代表的是经过变换后的训练数据矩阵，表示变换后的训练数据矩阵的行数为d、列数为m，代表经过变换后的重构图像；所述Hash矩阵H＝(H_IJ)：

$H_{\mathrm{IJ}}=\left\{\begin{array}{cc}2h_s(J,m)-3,& \∀s\∈\{1,...,S\}\\ 0,& \mathrm{otherwise}.\end{array}\right.---\left(3\right)$

式(5)中，H_IJ表示Hash矩阵H中第I行第J列元素，h_s(J,m)∈{1,2}，s表示散列种子的数量，s∈{1,...,S}，S表示散列种子的最大值。从式中可以得出H_IJ∈{0,+1,-1}，从而大大的降低了算法的复杂度。

利用正交匹配跟踪算法(OMP)对式(6)进行求解，获得最优化的稀疏系数c：

$\underset{c\∈R^m}{\min }{\left|\right|\tilde{x}-\mathrm{\Φc}\left|\right|}_{l_2}^2+{\mathrm{\λ}}_2{{\left|\right|c\left|\right|}_l}_1---\left(4\right)$

式(4)中，λ₂是拉格朗日乘子，0＜λ₂＜1，l₁、l₂表示一范数和二范数；

通过稀疏系数c，求解测试图片与各个主体之间的残差：

$r_j\left(x\right)={{\left|\right|\tilde{x}-{\mathrm{\Φc}}^j\left(x\right)\left|\right|}_l}_2---\left(5\right)$

式(5)中，j＝1,...,M，c^j表示的是c中与第j个主体相对应的稀疏系数，M表示主体的总数。最后通过identify＝argmin_jr_j(x)求得识别标签，得到分类结果。

如图5所示本发明采用的Hash+OMP算法与传统Hash+l₁算法的稀疏性的比较图，其中(a)图表示Hash+OMP算法的稀疏性图，(b)图表示传统Hash+l₁算法的稀疏性图，横坐标表示训练样本数量，纵坐标表示残差值。可以看出，Hash+OMP算法比传统Hash+l₁算法更稀疏，更有利于识别分类。

如图6所示本发明的流程图，多输入测试图像首先经过图像重构模型，产生一个更具有代表性的图像。同时，计算出相应的Hash矩阵，对训练矩阵和重构图像进行相应的空间变换，然后利用Hash+OMP算法进行分类识别。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.基于图像重构和哈希算法的人脸识别方法，其特征在于，包括以下步骤：

(1)对于人脸图像数据库中的每一个主体，随机选择k幅图像x₁,x₂,...,x_k作为该主体的测试图像，并组成相应的测试矩阵X＝[x₁,...,x_k]，其中，x_i代表第i幅测试图像，1≤i≤k；每一个主体中的其他图像作为该主体的训练图像，将所有主体的训练图像整合成训练数据矩阵D，并对每个主体的训练图像生成相应的标签；

(2)将同一个主体的的多个测试图像分别按照相同的非重叠的分块方式分成n_p块，同时对分块后测试图像x_i的每一块都关联一个尺度变量其中， $a_i^p\≥0,a_1^p+...+a_k^p=1,$ p＝1,2,...,n_p，n_p≥2；

(3)列出重构图像x与测试图像的关系式：

式(1)中，为分块后测试矩阵X的转换形式，代表的是测试矩阵中第p块所对应的矩阵，是与关联的尺度变量矩阵，1≤p≤n_p；

(4)初始化 $a^p={[\frac{1}{k},...,\frac{1}{k}]}^T;$

(5)对式(2)进行凸优化的求解，迭代求出相应的优化解a^p：

$s.t.\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^p=1\mathrm{forp}=1...n_p\mathrm{and}{a}_i^p\≥0,$

式(2)中，c代表稀疏系数，ψ(c)代表稀疏约束条件，λ₁是拉格朗日乘子，0＜λ₁＜1；

(6)将步骤(5)得到的a^p代入式(1)中，输出相应的重构图像；

(7)构建Hash矩阵H，利用Hash矩阵H对训练数据矩阵D及重构图像x进行空间变换：Φ＝HD，其中，代表的是经过变换后的训练数据矩阵，表示变换后的训练数据矩阵的行数为d、列数为m，代表经过变换后的重构图像；

(8)利用匹配跟踪算法对式(3)进行求解，获得最优化的稀疏系数c：

$\underset{c\∈R^m}{\min }{\left|\right|\tilde{x}-\mathrm{\Φc}\left|\right|}_{l_2}^2+{\mathrm{\λ}}_2{\left|\right|c\left|\right|}_{l_1}---\left(3\right)$

式(3)中，R^m表示m维的解空间，λ₂是拉格朗日乘子，0＜λ₂＜1，l₁、l₂表示一范数和二范数；

(9)求解重构图像与主体之间的残差：

$r_j\left(x\right)={\left|\right|\tilde{x}-\mathrm{\Φ}{c}^j\left(x\right)\left|\right|}_{l_2}---\left(4\right)$

式(4)中，j＝1,...,M，c^j表示c中与第j个主体相对应的稀疏系数，M表示主体的总数；

(10)输出识别标签identify，根据identify与步骤(1)中生成的训练图像标签做比照，得出识别结果，其中，identify＝argmin_jr_j(x)。

2.根据权利要求1所述基于图像重构和哈希算法的人脸识别方法，其特征在于：所述步骤(7)中的Hash矩阵H＝(H_IJ)：

$H_{\mathrm{IJ}}=\left\{\begin{array}{cc}{2h}_s(J,m)-3,& \∀s\∈\{1,...,S\}\\ 0,& \mathrm{otherwise}.\end{array}\right.---\left(5\right)$

式(5)中，H_IJ表示Hash矩阵H中第I行第J列元素，h_s(J,m)∈{1,2}，s表示散列种子的数量，s∈{1,...,S}，S表示散列种子的最大值。

3.根据权利要求1所述基于图像重构和哈希算法的人脸识别方法，其特征在于：步骤(8)中的匹配跟踪算法为正交匹配跟踪算法。

4.根据权利要求1所述基于图像重构和哈希算法的人脸识别方法，其特征在于：步骤(2)中所述n_p的取值为4。

5.根据权利要求1所述基于图像重构和哈希算法的人脸识别方法，其特征在于：步骤(1)中所述k的取值范围为5≤k≤10。