CN108805179A - 一种基于人脸局部约束编码校准识别方法 - Google Patents

Abstract

本发明公开了一种基于人脸局部约束编码校准识别方法，包括：输入训练集，构建字典；获取失配准的待识别人脸图像作为测试样本；初始化误差权重；对测试样本图像进行基于加权重构误差的局部约束编码；更新校准结果；判断更新后的校准结果是否收敛或达到最大迭代次数；若收敛或达到最大迭代次数，则输出最终的校准结果，若不收敛或未达到最大迭代次数，则更新误差权重之后再次进行基于加权重构误差的局部约束编码，直至收敛或达到最大迭代次数。该方法对表示系数进行局部约束，并采用加权l₂范数的正则项约束重构误差，使得校准和识别结果更注重于非遮挡区域。该方法能适应不同的现实场景，对于遮挡和非遮挡场景都能快速完成人脸校准和识别。

Description

一种基于人脸局部约束编码校准识别方法

技术领域

本发明涉及计算机视觉和模式识别技术领域，具体涉及一种基于人脸局部约束编码校准识别方法。

背景技术

近年来，人脸识别是计算机视觉和模式识别领域的热点研究问题之一，由于稀疏表示分类器(Sparse Representation-based classification,简称SRC)方法的提出，稀疏表示在理论和实践中有了较大突破，在分类效果和计算复杂度都有显著优势。实验证明基于稀疏表示的人脸识别算法比传统的人脸识别算法无论在识别率还是算法效率上都有很大的优势，因为稀疏表示人脸识别有个比较严格的限制条件，即必须经过人脸图像对齐，否则很难满足其稀疏性，所以人脸校准是人脸识别中较为关键的一步，而遮挡问题由于其多样性，成为人脸校准识别领域中的一个重点和难点问题。

过去的一些人脸校准算法在处理带遮挡的人脸校准问题时存在着一些问题，MRR需要SVD来提取全局字典的主成分来代替原字典，一方面，在字典规模很大的时候SVD既费时又耗内存，也在一定程度上影响了校准的准确度。MRLR算法考虑解决的是无遮挡情况下的人脸校准问题，所提出的基于分块矩阵的优化加速算法也依赖于无遮挡框架，因此无法很好的解决遮挡情况下的人脸校准问题。总的来说虽然已有的一些人类校准方法已经取得了较好的实验效果，但是由于人脸识别问题在现实场景中的复杂性，尤其在人脸被遮挡的情景下，MRR和MRLR算法仍然存在很多的局限性，导致人脸校准任务的失败。

通过观察实际生活中校准人脸的过程，可以发现，不同人之间的人脸相似性对于人脸校准的问题其实是有很大帮助的，人类在校准带遮挡的人脸时依赖大量的人脸数据形成的先验知识和经验，更多的是依靠人脸而非遮挡物，也就是关注重心更多的在于人脸，因此如果对像素加权，使得遮挡部分的像素点权重较小，更有利于人脸校准以及后续识别。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提出一种基于加权重构误差的局部约束编码人脸校准识别的方法，目的在于增强现有人脸校准识别技术的鲁棒性，更好的适应复杂的现实场景，提高人脸校准速度，更好地进行人脸识别。

本发明的目的可以通过采取如下技术方案达到：

一种基于人脸局部约束编码校准识别方法，所述的识别方法包括下列步骤：

S1、输入训练集，构建由g个人共n个的训练图像组成的字典：

其中A的每一列是一个经过调整得到的m维训练图像，A_i表示由第i个人的训练图像构成的子字典；

S2、获取失配准的待识别人脸图像y作为测试样本，其中，y为一个m＝w×h维的列向量，

S3、初始化重构误差e＝y-m_A，其中，m_A是所有训练人脸图像的平均脸，进而初始化误差权重矩阵W_t，误差权重矩阵W_t的第i个对角线元素通过下面式子求得：

其中e_t＝y°τ_t-Ax_t是通过当前校准参数τ_t对待识别图像y进行校准后利用全局字典A进行表示对应的重构误差，e_ti表示A_i对应的类对待识别图像y校准后的重构误差，ι和分别是控制衰减率和分界点位置的两个参数；

S4、对测试样本进行基于加权重构误差的局部约束编码，采用从粗到精的搜索策略；

S5、更新校准结果，即更新校准参数、权重误差矩阵以及局部约束表示系数；

S6、判断校准结果局部约束向量d是否收敛或达到最大迭代次数：若收敛或达到最大的迭代次数，输出最终校准识别结果；若不收敛或未达到最大的迭代次数，则返回步骤S4继续执行。

进一步地，所述的步骤S4中粗搜索过程如下：

根据当前校准参数τ_t，对待识别图像进行校准，并计算局部约束向量d：

d_i←max(d)-d_i

其中d_i表示向量d中的第i列，τ表示某种空间变换的变换参数，如相似变换、仿射变换等等，而°表示利用τ进行的某种非线性变换，通过求解下式，更新校准参数τ、权重误差矩阵W以及局部约束表示系数x：

其中W_t,x_t,τ_t表示迭代了第t次之后的更新校准参数、权重误差以及局部约束表示系数，⊙是两个向量之间对应元素分别相乘的操作，d是描述待测图像与字典中每一个训练图像的相关性的局部约束向量，值越大惩罚力度越强，向量表示利用字典对待测图像进行编码得到的表示系数；

利用最终的校准参数对待识别图像进行校准，并分别利用每个人的训练图像生成重构图像，计算每个人的重构图像与校准好的待识别图像之间的误差：

选择误差最小的R个人的训练图像构成一个更小的字典：

A_φ＝[A₁,A₂,…,A_R]。

进一步地，所述的步骤S4中精搜索过程：

通过粗搜索阶段挑选出的R个人的训练图像组成新字典

A_φ＝[A₁,A₂,…,A_R]，来校准待识别图像，即需要求解下式：

重新计算重构误差，即利用更新的最优的误差权重矩阵W₂，以及在该权重下最优的校准参数τ₂和最优的表示系数x₂，然后，通过求得的校准参数τ₂校准待识别图像y，并分别利用每个人的训练图像生成重构图像计算每个人的重构图像与校准好的待识别图像之间的误差

选择重构误差最小的人作为原来待识别图像y的识别结果，完成整个识别过程：

其中，H为粗搜索阶段所挑选出的R个人的下标经重新排列后的集合。

本发明相对于现有技术具有如下的优点及效果：

本发明所提供的人脸校准识别的方法，针对带遮挡且失配准人脸图像采用了局部约束项，充分利用了人脸之间的相关信息，并且采用加权l₂范数的正则项约束重构误差，使得校准和识别结果更注重于非遮挡区域，对于无遮挡条件和带遮挡的情况下的人脸校准取得了不错的校准和识别效果，能更好的适应现实生活中不同的场景需求。

附图说明

图1是本发明公开的一种基于加权重构误差的局部约束编码人脸校准识别的方法的流程步骤图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例公开了一种人脸局部约束编码校准方法，流程步骤图参照附图1，该方法过程：输入训练集，构建字典；获取失配准的待识别人脸图像作为测试样本；初始化误差权重；对测试样本进行基于加权重构误差的局部约束编码；更新校准结果；判断更新后的校准结果是否收敛；若收敛或达到最大迭代次数，则输出最终的校准结果，若不收敛或未达到最大迭代次数，则更新误差权重之后再次进行基于加权重构误差的局部约束编码，直至收敛或达到最大迭代次数。其中，对测试图片进行编码的算法对表示系数进行局部约束，并在此基础上，采用加权l₂范数的正则项约束重构误差，使得校准和识别结果更注重于非遮挡区域。

由附图1可知，该人脸校准方法具体包括以下步骤：

S1、输入训练集，构建由g个人的训练图像组成的字典

其中每一列都是经过调整的m维训练图像；

该步骤具体如下：

假设训练集由g个人共n个训练图像组成，将包括训练和测试在内的每一个人脸图像分别调整为一个m维的列向量，其中m＝w×h。所有训练图像构成的字典其中A的每一列是一个经过加权l₂范数归一化调整得到的m维训练图像，A_i表示由第i个人的训练图像构成的子字典。

S2、获取失配准的待识别人脸图像y作为测试样本，

该步骤具体如下：

将测试样本y调整为一个m＝w×h维的列向量，其中

S3、初始化重构误差e＝y-m_A，其中m_A是所有训练人脸图像的平均脸，进而初始化误差权重矩阵W_t，误差权重矩阵W_t的第i个对角线元素可以通过下面式子求得：

其中e_t＝y°τ_t-Ax_t是通过当前校准参数τ_t对待识别图像y进行校准后利用全局字典A进行表示对应的重构误差，e_ti表示A_i对应的类对待识别图像y校准后的重构误差，ι和分别是控制衰减率和分界点位置的两个参数

S4、对测试样本进行基于加权重构误差的局部约束编码，采用了从粗到精的搜索策略，在粗搜索阶段：

根据当前校准参数τ_t，对待识别图像进行校准，并计算局部约束向量d：

d_i←max(d)-d_i

其中d_i表示向量d中的第i列，τ表示某种空间变换的变换参数，如相似变换、仿射变换等等，而°表示利用τ进行的某种非线性变换。通过求解下式，更新校准参数τ、权重误差矩阵W以及局部约束表示系数x：

其中W_t,x_t,τ_t表示迭代了第t次之后的更新校准参数、权重误差以及局部约束表示系数，⊙表示两个向量之间对应元素分别相乘的操作，d表示描述待测图像与字典中每一个训练图像的相关性的局部约束向量，值越大惩罚力度越强，向量表示利用字典对待测图像进行编码得到的表示系数。

利用最终的校准参数对待识别图像进行校准，并分别利用每个人的训练图像生成重构图像，计算每个人的重构图像与校准好的待识别图像之间的误差，即利用最优的误差权重矩阵W₁，以及在该权重下最优的校准参数τ₁和最优的表示系数x₁。然后，通过求得的校准参数τ₁校准待识别图像y，并分别利用每个人的训练图像A_i生成重构图像计算每个人的重构图像与校准好的待识别图像之间的误差

选择误差最小的R个人的训练图像构成一个更小的字典：

A_φ＝[A₁,A₂,…,A_R]。

精搜索阶段：

通过粗搜索阶段挑选出的R个人的训练图像组成新字典：

A_φ＝[A₁,A₂,…,A_R]，来校准待识别图像，即需要求解下式：

重新计算重构误差，即利用更新的最优的误差权重矩阵W₂，以及在该权重下最优的校准参数τ₂和最优的表示系数x₂。然后，通过求得的校准参数τ₂校准待识别图像y，并分别利用每个人的训练图像生成重构图像计算每个人的重构图像与校准好的待识别图像之间的误差

选择重构误差最小的人作为原来待识别图像y的识别结果，完成整个识别过程：

其中，H为粗搜索阶段所挑选出的R个人的下标经重新排列后的集合。

S5、更新校准结果，即更新校准参数、权重误差矩阵以及局部约束表示系数。

S6、判断校准结果局部约束向量d是否收敛或达到最大迭代次数：若收敛或达到最大的迭代次数，输出最终校准识别结果；若不收敛或未达到最大的迭代次数，则返回步骤S4继续执行。

综上所述，上述实施例公开的一种基于加权重构误差的人脸局部约束编码校准识别方法对表示系数进行局部约束，并采用加权l₂范数的正则项约束重构误差，使得校准和识别结果更注重于非遮挡区域。上述实施例提供的人脸校准的方法，对于遮挡和非遮挡场景，都能较好地完成人类校准和识别，计算速度更快，能更好的适应不同的现实场景。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于人脸局部约束编码校准识别方法，其特征在于，所述的识别方法包括下列步骤：

S1、输入训练集，构建由g个人共n个的训练图像组成的字典：

其中A的每一列是一个经过调整得到的m维训练图像，A_i表示由第i个人的训练图像构成的子字典；

S2、获取失配准的待识别人脸图像y作为测试样本，其中，y为一个m＝w×h维的列向量，

S3、初始化重构误差e＝y-m_A，其中，m_A是所有训练人脸图像的平均脸，进而初始化误差权重矩阵W_t，误差权重矩阵W_t的第i个对角线元素通过下面式子求得：

其中是通过当前校准参数τ_t对待识别图像y进行校准后利用全局字典A进行表示对应的重构误差，e_ti表示A_i对应的类对待识别图像y校准后的重构误差，ι和分别是控制衰减率和分界点位置的两个参数；

S4、对测试样本进行基于加权重构误差的局部约束编码，采用从粗到精的搜索策略；

S5、更新校准结果，即更新校准参数、权重误差矩阵以及局部约束表示系数；

S6、判断校准结果局部约束向量d是否收敛或达到最大迭代次数：若收敛或达到最大的迭代次数，输出最终校准识别结果；若不收敛或未达到最大的迭代次数，则返回步骤S4继续执行。

2.根据权利要求1所述的一种基于人脸局部约束编码校准识别方法，其特征在于，所述的步骤S4中粗搜索过程如下：

根据当前校准参数τ_t，对待识别图像进行校准，并计算局部约束向量d：

d_i←max(d)-d_i

其中d_i表示向量d中的第i列，τ表示空间变换的变换参数，而°表示利用τ进行的某种非线性变换，通过求解下式，更新校准参数τ、权重误差矩阵W以及局部约束表示系数x：

其中W_t,x_t,τ_t表示迭代了第t次之后的更新校准参数、权重误差以及局部约束表示系数，⊙是两个向量之间对应元素分别相乘的操作，d是描述待测图像与字典中每一个训练图像的相关性的局部约束向量，值越大惩罚力度越强，向量表示利用字典对待测图像进行编码得到的表示系数；

利用最终的校准参数对待识别图像进行校准，并分别利用每个人的训练图像生成重构图像，计算每个人的重构图像与校准好的待识别图像之间的误差：

选择误差最小的R个人的训练图像构成一个更小的字典：

A_φ＝[A₁,A₂,…,A_R]。

3.根据权利要求2述的一种基于人脸局部约束编码校准识别方法，其特征在于，所述的步骤S4中精搜索过程：

通过粗搜索阶段挑选出的R个人的训练图像组成新字典

A_φ＝[A₁,A₂,…,A_R]，来校准待识别图像，即需要求解下式：

重新计算重构误差，即利用更新的最优的误差权重矩阵W₂，以及在该权重下最优的校准参数τ₂和最优的表示系数x₂，然后，通过求得的校准参数τ₂校准待识别图像y，并分别利用每个人的训练图像生成重构图像计算每个人的重构图像与校准好的待识别图像之间的误差

选择重构误差最小的人作为原来待识别图像y的识别结果，完成整个识别过程：

其中，H为粗搜索阶段所挑选出的R个人的下标经重新排列后的集合。