CN106845362B - 一种基于多尺度变换的稀疏表示的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于多尺度变换的稀疏表示的人脸识别方法，包括以下步骤：步骤1：采集待识别人脸图像和样本人脸图像；步骤2：对人脸图像依次进行对数变换和小波分解处理；步骤3：进行PCA特征提取；步骤4：重构人脸图像，获得光照归一化后人脸图像；步骤5：采用稀疏表示模型对待识别人脸图像的光照归一化人脸图像进行识别。该方法首先通过对图像进行对数变换以及小波分解处理，接着通过PCA特征提取后重新构建人脸图像，大大的降低了由于光照不足或者过强时，以及随机噪声干扰面积较大时，引起的识别率低的问题；其次，通过利用改进的稀疏表示模型，避免了当对人脸进行部分遮挡时，例如戴围巾，戴眼镜等，导致识别率偏低的问题。

Description

一种基于多尺度变换的稀疏表示的人脸识别方法

技术领域

本发明属于图像处理领域，特别涉及一种基于多尺度变换的稀疏表示的人脸识别方法。

背景技术

近年来，伴随着市场对人脸识别信息技术的需求，人脸识别的研究和理论也得到长足的发展，但同时信息的安全和隐蔽性也受到了关注。人脸识别作为生物特征识别技术之一，与其他生物特征识别技术相比具有更便利、快捷、友好、安全及追踪能力强等优点，已经受到各个领域科研人员的广泛研究，并运用于金融行业、门禁系统、检查考勤等领域。

现有的人脸识别技术主要包括几类：如基于弹性匹配的人脸识别算法，基于几何特征的人脸识别算法，基于子空间的人脸识别算法及基于稀疏表示的人脸识别算法。但是传统的人脸识别算法仍然存在一些问题。传统的人脸识别方法，当光照不足或者过强时，识别率会大大降低；当对人脸进行部分遮挡时，例如戴围巾，戴眼镜等，会导致识别率偏低；与此同时，当人脸图像被随机噪声干扰面积较大时，会严重影响识别率，即对噪声存在鲁棒性较差的特点；当特征维数高时，计算复杂度较大，识别效率偏低等特点。

发明内容

本发明提出了一种基于多尺度变换的稀疏表示的人脸识别方法，其目的在于克服现有技术中存在的计算复杂度较大，识别效率低的问题。

一种基于多尺度变换的稀疏表示的人脸识别方法，包括以下步骤：

步骤1：采集待识别人脸图像和样本人脸图像；

步骤2：对人脸图像依次进行对数变换和小波分解处理，得到高频子图像和低频子图像；

步骤3对步骤2获得的低频子图像进行直方图均衡化处理，将步骤2获得的高频子图像和经直方图均衡化处理后的低频子图像进行PCA特征提取；

步骤4：利用特征提取之后的低频和高频分量进行逆小波变换重构人脸图像，获得光照归一化后人脸图像；

步骤5：采用稀疏表示模型对待识别人脸图像的光照归一化人脸图像进行识别。

进一步地，所述步骤5的具体过程如下：

1)将待识别人脸图像和样本人脸图像经过步骤2-步骤4处理后的光照归一化人脸图像分别进行小波分解，得到分解后的待识别图像矩阵

和样本图像字典矩阵

待识别图像数量为k，样本图像数量为d；

2)将分解后的待识别人脸图像矩阵

和样本图像字典矩阵

用稀疏表示模型表示为如下形式：

其中，

表示第i张分解后的待识别人脸图像矩阵，且

共有k张待识别人脸图像，l表示待识别人脸图像中的像素点个数；

表示第i张分解后的样本人脸图像矩阵，

共有d张样本人脸图像；

β为稀疏系数向量，β＝[β₁,β₂,…β_l]，ρ_θ为最小化目标函数，σ为大于的常数，σ>0；||·||₁表示一范数；

3)计算每张待识别人脸图像的残差

其中，t表示迭代的次数，

表示第t次迭代时所有样本人脸图像的灰度均值图像矩阵，当t＝1时，

为所有样本人脸图像的均值图像，

表示第t次迭代时第i张待识别人脸图像与所有样本人脸图像的均值图像之间的残差；

4)计算第i张待识别人脸图像权值系数矩阵

其中，δ^(t)控制分界点的位置，取值为矩阵γ中的第ε个元素，

表示向下取整，γ为对所有(e_i ^(t))²进行升序排列后的矩阵，

表示

中每个元素的平方和；μ^(t)为增长率矩阵，

5)计算最优稀疏系数β^*：

其中，

表示二范数的平方，||·||₁表示一范数，P表示整合权值矩阵，矩阵大小为1×k，P的第i个元素取值为

的第一个元素；

6)更新稀疏系数β^(t)：若t＝1，则β^(t)＝β^*；若t>1，则β^(t)：β^(t)＝β^(t-1)+η^(t)(β^*-β^(t-1))；

其中，β^(t)表示第t次迭代时的稀疏系数，η^(t)表示迭代步长，取值范围为0-1；

7)重建样本均值图像：

并令t＝t+1；

判断是否满足收敛条件||P^(t)-P^(t-1)||₂/||P^(t-1)||₂<σ或达到最大迭代次数，若满足，则以当前最优稀疏系数计算待识别图像属于训练样本图像中的哪一类，完成人脸识别；若不满足，则返回3)。

进一步地，所述对高频子图像提取PCA特征前，采用Butterworth高通滤波器进行滤波处理。

进一步地，对步骤2获得的高频子图像和低频子图像进行直方图均衡化处理后的图像的总体散步矩阵进行PCA特征提取。

有益效果

本发明提供了一种基于多尺度变换的稀疏表示的人脸识别方法，包括以下步骤：步骤1：采集待识别人脸图像和样本人脸图像；步骤2：对人脸图像依次进行对数变换和小波分解处理，得到高频子图像和低频子图像；步骤3：分别对步骤2获得的低频子图像进行直方图均衡化处理后，对高频子图像和均衡化后的低频子图像进行PCA特征提取；步骤4：利用特征提取之后的低频和高频分量进行逆小波变换重构人脸图像，获得光照归一化后人脸图像；步骤5：采用稀疏表示模型对待识别人脸图像的光照归一化人脸图像进行识别。该方法首先通过对图像进行对数变换以及小波分解处理，接着通过PCA特征提取后重新构建人脸图像，大大的降低了由于光照不足或者过强时，以及随机噪声干扰面积较大时，引起的识别率低的问题；其次，通过利用改进的稀疏表示模型，避免了当对人脸进行部分遮挡时，例如戴围巾，戴眼镜等，导致识别率偏低的问题。

附图说明

图1为本发明所述方法的流程示意图；

图2为本发明所述归一化处理的流程示意图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

如图1和图2所示，

一种基于多尺度变换的稀疏表示的人脸识别方法，包括以下步骤：

步骤1：采集待识别人脸图像和样本人脸图像；

步骤2：对人脸图像依次进行对数变换和小波分解处理，得到高频子图像和低频子图像；

步骤3对步骤2获得的低频子图像进行直方图均衡化处理，将步骤2获得的高频子图像采用Butterworth高通滤波器滤波后的图像和经直方图均衡化处理后的低频子图像进行PCA特征提取；

步骤4：利用特征提取之后的低频和高频分量进行逆小波变换重构人脸图像，获得光照归一化后人脸图像；

步骤5：采用稀疏表示模型对待识别人脸图像的光照归一化人脸图像进行识别。

进一步地，所述步骤5的具体过程如下：

1)将待识别人脸图像和样本人脸图像经过步骤2-步骤4处理后的光照归一化人脸图像分别进行小波分解，得到分解后的待识别图像矩阵

和样本图像字典矩阵

待识别图像数量为k，样本图像数量为d；

2)将分解后的待识别人脸图像矩阵

和样本图像字典矩阵

用稀疏表示模型表示为如下形式：

其中，

表示第i张分解后的待识别人脸图像矩阵，且

共有k张待识别人脸图像，l表示待识别人脸图像中的像素点个数；

表示第i张分解后的样本人脸图像矩阵，

共有d张样本人脸图像；

β为稀疏系数向量，β＝[β₁,β₂,…β_l]，ρ_θ为最小化目标函数，σ为大于的常数，σ>0；||·||₁表示一范数；

3)计算每张待识别人脸图像的残差

其中，t表示迭代的次数，

表示第t次迭代时所有样本人脸图像的灰度均值图像矩阵，当t＝1时，

为所有样本人脸图像的均值图像，

表示第t次迭代时第i张待识别人脸图像与所有样本人脸图像的均值图像之间的残差；

4)计算第i张待识别人脸图像权值系数矩阵

其中，δ^(t)控制分界点的位置，取值为矩阵γ中的第ε个元素，

表示向下取整，γ为对所有(e_i ^(t))²进行升序排列后的矩阵，

表示

中每个元素的平方和；μ^(t)为增长率矩阵，

5)计算最优稀疏系数β^*：

其中，

表示二范数的平方，||·||₁表示一范数，P表示整合权值矩阵，矩阵大小为1×k，P的第i个元素取值为

的第一个元素；

6)更新稀疏系数β^(t)：若t＝1，则β^(t)＝β^*；若t>1，则β^(t)：β^(t)＝β^(t-1)+η^(t)(β^*-β^(t-1))；

其中，β^(t)表示第t次迭代时的稀疏系数，η^(t)表示迭代步长，取值范围为0-1；

7)重建样本均值图像：

并令t＝t+1；

判断是否满足收敛条件||P^(t)-P^(t-1)||₂/||P^(t-1)||₂<σ或达到最大迭代次数，若满足，则以当前最优稀疏系数计算待识别图像属于训练样本图像中的哪一类，完成人脸识别；若不满足，则返回3)。

利用本发明所述方法与现有技术所述方法，进行人脸识别，具体结果如表1所示，从表1中可以看出，本发明所述方法的识别精度明显优于现有技术。

表1AR人脸库上算法识别率对比

本发明中应用了具体实施例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对发明的限制。

Claims (3)

1.一种基于多尺度变换的稀疏表示的人脸识别方法，其特征在于，包括以下步骤：

步骤1：采集待识别人脸图像和样本人脸图像；

步骤2：对人脸图像依次进行对数变换和小波分解处理，得到高频子图像和低频子图像；

步骤3对步骤2获得的低频子图像进行直方图均衡化处理，将步骤2获得的高频子图像和经直方图均衡化处理后的低频子图像进行PCA特征提取；

步骤4：利用特征提取之后的低频和高频分量进行逆小波变换重构人脸图像，获得光照归一化后人脸图像；

步骤5：采用稀疏表示模型对待识别人脸图像的光照归一化人脸图像进行识别；

所述步骤5的具体过程如下：

1)将待识别人脸图像和样本人脸图像经过步骤2-步骤4处理后的光照归一化人脸图像分别进行小波分解，得到分解后的待识别图像矩阵

和样本图像字典矩阵

待识别图像数量为k，样本图像数量为d；

2)将分解后的待识别人脸图像矩阵

和样本图像字典矩阵

用稀疏表示模型表示为如下形式：

其中，

表示第i张分解后的待识别人脸图像矩阵，且

共有k张待识别人脸图像；

表示第i张分解后的样本人脸图像矩阵，

共有d张样本人脸图像；

β为稀疏系数向量，β＝[β₁,β₂,…β_l]，ρ_θ为最小化目标函数，σ为大于零的常数，σ＞0；||·||₁表示一范数，l表示待识别人脸图像中的像素点个数；

3)计算每张待识别人脸图像的残差

其中，t表示迭代的次数，

表示第t次迭代时所有样本人脸图像的灰度均值图像矩阵，当t＝1时，

为所有样本人脸图像的均值图像，

表示第t次迭代时第i张待识别人脸图像与所有样本人脸图像的均值图像之间的残差；

4)计算第i张待识别人脸图像权值系数矩阵

其中，δ^(t)控制分界点的位置，取值为矩阵γ中的第ε个元素，

表示向下取整，γ为对所有(e_i ^(t))²进行升序排列后的矩阵，

表示

中每个元素的平方和；μ^(t)为增长率矩阵，

5)计算最优稀疏系数β^*：

s.t.||β||₁≤σ；

其中，

表示二范数的平方，||·||₁表示一范数，P表示整合权值矩阵，矩阵大小为1×k，P的第i个元素取值为

的第一个元素；

6)更新稀疏系数β^(t)：若t＝1，则

若t＞1，则β^(t)：β^(t)＝β^(t-1)+η^(t)(β^*-β^(t-1))；

其中，β^(t)表示第t次迭代时的稀疏系数，η^(t)表示迭代步长，取值范围为[0,1]；

7)重建样本均值图像：

并令t＝t+1；

判断是否满足收敛条件||P^(t)-P^(t-1)||₂/||P^(t-1)||₂＜σ或达到最大迭代次数，若满足，则以当前最优稀疏系数计算待识别图像属于训练样本图像中的哪一类，完成人脸识别；若不满足，则返回3)。

2.根据权利要求1所述的方法，其特征在于，所述对高频子图像提取PCA特征前，采用Butterworth高通滤波器进行滤波处理。

3.根据权利要求1所述的方法，其特征在于，对步骤2获得的高频子图像和低频子图像进行直方图均衡化处理后的图像的总体散布矩阵进行PCA特征提取。

Images