CN108090461A - 基于稀疏特征的三维人脸识别方法 - Google Patents

Abstract

本发明提供一种基于稀疏特征的三维人脸识别方法，包括步骤：S1、获取三维人脸信息，对该三维人脸信息进行预处理；S2、将三维人脸信息通过稀疏表示和字典学习后提取具有分类信息的稀疏特征；S3、使用分类器对提取到的稀疏特征进行类别预测，获取最终分类结果。在上述基于稀疏特征的三维人脸识别方法中，使用结合稀疏表示和字典学习的K‑SVD算法对三维人脸模型进行特征提取，减少了数据维度和计算成本。算法简单且易于实现，具有较高的识别率和较强的鲁棒性。

Description

基于稀疏特征的三维人脸识别方法

技术领域

本发明涉及人脸识别领域，尤其涉及基于稀疏特征的三维人脸识别方法。

背景技术

近年来，随着三维数据获取技术的发展，三维人脸识别成为计算机图形学和计算机视觉的研究热点。相比于二维人脸图像识别，三维人脸识别融入了表面形状等几何信息，不容易受到光照、表情、姿态等变化的影响，提高了识别的准确率，具有更加广阔的市场前景。

在三维人脸识别中，人脸面部信息比较繁杂，如何提取三维人脸低维有效的特征信息，是提高识别准确率的关键所在，国内外学者在这方面做了很多重要工作，相继提出了PCA、测地线等人脸特征提取方法，但存在着时间开销大等缺点。因此，提供一种能够有效的提高三维人脸识别效率的方法，成为目前亟待解决的问题。

发明内容

本发明的技术方案是：基于稀疏特征的三维人脸识别方法，所述方法包括步骤：

S1、获取三维人脸信息，对所述三维人脸信息进行预处理；

S2、将所述三维人脸信息通过稀疏表示和字典学习后提取具有分类信息的稀疏特征；

S3、使用分类器对提取到的所述稀疏特征进行类别预测，获取最终分类结果。

较佳的，在步骤S2中，字典学习表述为如下最优化问题：

其中，α表示稀疏系数矩阵，且α∈R^K*N，Y∈R^M*N作为字典学习的样本集，E为字典且E∈R^M*K，α中的任意一列α_i∈R^K，表示对应Y中的第i个样本在字典E上的稀疏系数，其中i＝1,2,...,N，R为实数域，M为采集到的三维人脸样本总数*3，N为作为三维人脸样本的人脸图片数量，K表示基向量个数，T₀代表稀疏度，即稀疏系数α_i中非零元素的上限。

较佳的，利用K-SVD算法求解上述最优化问题。

较佳的，利用K-VSD算法求解上述最优化问题时，每一次迭代分为两个步骤：稀疏编码、字典基向量及稀疏系数的交替更新。

较佳的，步骤S1中的预处理过程包括自动去噪和切割处理，以及对每个人脸三维信息进行坐标系归一化处理。

较佳的，在步骤S3中，使用交叉验证方法和分离器进行分类。

较佳的，所述分类器使用的分类方法为线性核支持向量机或二次核支持向量机或随机子空间集成分类方法。

上述技术方案具有如下优点或有益效果：在上述基于稀疏特征的三维人脸识别方法中，使用结合稀疏表示和字典学习的K-SVD算法对三维人脸模型进行特征提取，减少了数据维度和计算成本。算法简单且易于实现，具有较高的识别率和较强的鲁棒性。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明基于稀疏特征的三维人脸识别方法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明基于稀疏特征的三维人脸识别方法进行详细说明。

如图1所示，一种基于稀疏特征的三维人脸识别方法，包括步骤：

S1、获取三维人脸信息，对该三维人脸信息进行预处理；

S2、将三维人脸信息通过稀疏表示和字典学习后提取具有分类信息的稀疏特征；

S3、使用分类器对提取到的稀疏特征进行类别预测，获取最终分类结果。

在步骤S1中，预处理过程包括自动去噪和切割处理。具体来说，对于三维人脸信息对应的数据集I＝{I₁,I₂,...,I_N}，其中每个三维人脸模型对应的所有数据集为I，包括m个顶点，将全部顶点顺次排列来描述三维人脸数据网络的拓扑结构连接，作为列向量。由于三维人脸数据的每一个顶点i都包含3个参数x_i、y_i、z_i，记为v_i＝(x_i,y_i,z_i)，因此列向量的每一个元素近似一个结构体，由三个分量构成，即每一个列向量的维数为m*3。在进行三维人脸模型识别的时候，三维人脸库中的各个三维人脸模型坐标系有可能不一致，对三维人脸模型的识别准确性有较大的影响。因此在三维人脸模型特征提取之前还需要对三维人脸模型库中的所有三维人脸模型进行坐标系归一化预处理。

在本方法中，对每个人脸三维模型进行坐标系归一化预处理，消除平移、旋转、放缩等几何变换对分类结果的影响。为了消除平移的影响，首先对每个人脸模型进行去均值化。然后，对每个人脸模型上所有顶点构成的集合进行PCA((PrincipalComponentAnalysis，主成分分析)分解，并以三个PCA主轴为坐标轴建立新坐标系。通过将顶点的坐标重新表达为所有顶点在PCA坐标系中的坐标，从而消除旋转对分类结果的影响。最后，计算人脸模型的顶点到原点的最大距离，再把每个顶点的坐标全部除以最大距离，从而使得分类结果不受放缩变换的影响。

进一步来讲，在步骤S2中，对于给定的三维人脸模型库，利用预处理操作将模型坐标系归一化预处理后，即可使用字典学习的方式进行稀疏特征的提取。字典学习可表述为如下最优化问题：

其中，α∈R^K*N表示稀疏系数矩阵，α中的任意一列α_i∈R^K表示对应Y中的第i个样本在字典E上的稀疏系数，其中i＝1,2,...,N，Y＝R^M*N作为字典学习的样本集，E＝R^M*K表示待学习的字典，R为实数域，M为采集到的三维人脸样本总数*3(即三维人脸样本总数的三倍)，N为作为三维人脸样本的人脸图片数量，K表示基向量个数，T₀代表稀疏度，即稀疏系数α_i中非零元素的上限。通过该字典学习方法，保证使用字典E中较少基向量的先行组合就可以较好的重构Y中任一个三维人脸模型的前提下，得到较好的稀疏系数来作为稀疏特征。

进一步来讲，利用K-SVD算法求解上述最优化问题。K-SVD是基于聚类思想的字典学习算法，采用奇异值分解来逐个更新字典基向量和稀疏系数。K-SVD具有算法简单、高效且灵活性强的优点。K-SVD在求解上述最优化问题时首先对字典进行初始化，从初始的样本集Y中随机的选择K个样本来作为初始字典E的K个基向量。然后使用稀疏系数和字典基向量交替迭代的方式来更新字典和稀疏系数，当满足迭代停止条件时，得到最终的稀疏系数α来作为稀疏特征。具体来说，每一次迭代分为以下两个步骤：稀疏编码和字典基向量及稀疏系数的交替更新。

下面对求解优化问题的方法进行近一步说明：

假设已经迭代了j-1次，则此时得到的字典为E^(j-1)来作为第j次迭代时的固定字典，计算样本集Y在E^(j-1)上的稀疏系数α，即求解如下优化问题：

利用矩阵范数的性质，将上式中目标函数改写为：

其中y_i表示Y中的第i个样本，求解每一个样本y_i在字典E^(j-1)上的稀疏系数α_i：

将求得的α_i作为系数矩阵α中的第i列，得到(2)式的最优解。求解(2)式一般采用批量正交匹配追踪算法(Batch-OMP)，与正交匹配追踪算法(OMP)相比，由于大量的样本必须使用同一个字典，Batch-OMP算法进行了预计算操作，减少总体工作量，从而加快了计算速度。整个算法是一个迭代优化的过程，迭代过程中的每一步通过矩阵运算来实现。实验表明，该方法的收敛速度快，计算效率非常高。

下面对字典基向量及稀疏系数的交替更新进行说明：

K-SVD通过字典基向量和稀疏系数交替更新的方式来更新整个字典和得到最终的稀疏系数。在进行第j次迭代时，假设已知步骤(1)中的稀疏系数α，当更新字典的第k个基向量e_k时，稀疏系数矩阵α中的第k个行向量用α^k来表示，则(1)式可以改写为:

由于字典基向量及稀疏系数行向量的交替迭代，则使用公式(5)将E^(j-1)α分解为K个秩为1的矩阵的和。完成上述环节后，可以得到初始稀疏系数，再用字典学习得到最终的稀疏系数来作为提取的特征。由于字典学习可以通过不断的学习来构建一个经验学习字典，更加适合于实际应用，这样就可以得到较优的稀疏系数作为稀疏特征。整个K-SVD算法仅收敛到局部最小值而不是全局的。换句话说，K-SVD的目标是真正改善给定的初始字典和初始特征向量，较难找不到最优的字典和特征向量。所以字典学习的实现使用对初始字典列和初始稀疏系数行的交替优化的迭代来实现近似的逼近。当该过程最终收敛到最佳状态，提供一个仍然减少惩罚项的近似值。经验表明，该过程的单次迭代通常满足为完整的计算提供非常接近的结果。对字典学习交替迭代算法的具体实现进行描述：

输入：三维人脸坐标信息y，初始字典D₀，初始稀疏系数α₀，目标稀疏度S，最大迭代次数L；

输出：最终字典D，最终的稀疏系数α。

S21、字典更新，在字典子序列d和系数行g^T使用单独的迭代轮流优化；

S22、如果迭代次数达到最大迭代次数，则输出结果。

三维人脸模型经过预处理、稀疏表示和字典学习后得到每个人脸模型的稀疏特征，最后使用交叉验证方法和分类器来进行分类。本文在稀疏特征上使用K折交叉验证的方法来用于分类。K折交叉验证法充分利用了所有样本，可以有效的避免过学习以及欠学习状态的发生，最终结果比较有说服力。K折交叉验证的具体步骤如下：

1)将全部训练数据S分成k个不相交的子集，假设S中的训练样例个数为m，那么每一个子集有m/k个训练样例，相应的子集为{s₁,s₂,...,s_k}；

2)每次从分好的子集中中拿出一个作为测试集，其它k-1个作为训练集；

3)根据训练训练出模型或者假设函数；

4)把这个模型放到测试集上，得到分类率；

5)计算k次求得的分类率的平均值，作为该模型或者假设函数的真实分类率。

分类器使用三种分类方法，线性核支持向量机(Linear SVM)，二次核支持向量机(Quadratic SVM)和随机子空间集成分类方法(Random subspace method Ensemble，RSMEnsemble)。

在上述基于稀疏特征的三维人脸识别方法中，使用结合稀疏表示和字典学习的K-SVD算法对三维人脸模型进行特征提取，减少了数据维度和计算成本。算法简单且易于实现，具有较高的识别率和较强的鲁棒性。

对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。

Claims (7)

1.基于稀疏特征的三维人脸识别方法，其特征在于，所述方法包括步骤：

S1、获取三维人脸信息，对所述三维人脸信息进行预处理；

S2、将所述三维人脸信息通过稀疏表示和字典学习后提取具有分类信息的稀疏特征；

S3、使用分类器对提取到的所述稀疏特征进行类别预测，获取最终分类结果。

2.根据权利要求1所述的基于稀疏特征的三维人脸识别方法，其特征在于，在步骤S2中，字典学习表述为如下最优化问题：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <munder> <mrow> <mi>arg</mi> <mi>min</mi> </mrow> <mrow> <mi>E</mi> <mo>,</mo> <mi>&amp;alpha;</mi> </mrow> </munder> <mo>|</mo> <mo>|</mo> <mi>Y</mi> <mo>-</mo> <mi>E</mi> <mi>&amp;alpha;</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>0</mn> </msub> <mo>&amp;le;</mo> <msub> <mi>T</mi> <mn>0</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>N</mi> </mrow>

其中，α表示稀疏系数矩阵，且α∈R^K*N，Y∈R^M*N作为字典学习的样本集，E为字典且E∈R^{M *K}，α中的任意一列α_i∈R^K，表示对应Y中的第i个样本在字典E上的稀疏系数，其中i＝1,2,...,N，R为实数域，M为采集到的三维人脸样本总数*3，N为作为三维人脸样本的人脸图片数量，K表示基向量个数，T₀代表稀疏度，即稀疏系数α_i中非零元素的上限。

3.根据权利要求2所述的基于稀疏特征的三维人脸识别方法，其特征在于，利用K-SVD算法求解上述最优化问题。

4.根据权利要求3所述的基于稀疏特征的三维人脸识别方法，其特征在于，利用K-VSD算法求解上述最优化问题时，每一次迭代分为两个步骤：稀疏编码、字典基向量及稀疏系数的交替更新。

5.根据权利要求1所述的基于稀疏特征的三维人脸识别方法，其特征在于，步骤S1中的预处理过程包括自动去噪和切割处理，以及对每个人脸三维信息进行坐标系归一化处理。

6.根据权利要求1所述的基于稀疏特征的三维人脸识别方法，其特征在于，在步骤S3中，使用交叉验证方法和分离器进行分类。

7.根据权利要求6所述的基于稀疏特征的三维人脸识别方法，其特征在于，所述分类器使用的分类方法为线性核支持向量机或二次核支持向量机或随机子空间集成分类方法。