CN109325416A - 一种基于pca和src的高清图像人脸快速识别方法 - Google Patents

Abstract

本发明公开了一种基于PCA和SRC的高清图像人脸快速识别方法，主要提高高清图像的人脸识别速度。该方法主要包括以下步骤：首先，获取标准图像，输入数据库；接着，结合主成分分析(PCA,Principal Component Analysis)和Adaboost算法思想，使用数据库中的人脸图像对模型进行训练，获得多个特征矩阵。通过每个特征矩阵均能对应得到待分类图像的分类结果，再进行加权投票获得最终的分类预测，这样可在降低维度提高速度的同时保证分类识别的准确率；然后，通过对待分类图像进行仿射变换，降低SRC算法对人像姿态的要求；最后，使用改进的SRC对待分类图像进行分类。通过实施本发明实例，依次获取图片输入数据库、对图片进行模型训练、对待分类图像进行仿射变换、使用改进的SRC对图片进行分类识别，本专利所提出的方法具有很好的效果。

Description

一种基于PCA和SRC的高清图像人脸快速识别方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于PCA和SRC的高清图像人脸快速识别方法。

背景技术

上世纪中后期，伴随着计算机技术和光学成像技术的迅速发展，多国展开了人脸识别的相关研究。人脸作为一种与生俱来的具有唯一性的生物特征，在图像处理、模式识别、计算机视觉等领域受到极大的关注，并因此产生了一系列人脸识别技术。经过多年研究，人脸识别技术仍十分具有挑战性，由于获取人脸过程中众多可能的影响因素，如光照、遮挡、摄影视角甚至人的表情等，使得很多时候人脸识别的效果仍不够理想。再加上摄影技术及设备的进步，获取到的图像像素越来越高，一些算法的运算速度有所下降，难以满足实时性的要求。

一般来说，人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取、人脸图像的匹配与识别。人脸识别技术关键则在于匹配与识别的核心算法。

真正的计算机自动人脸识别的研究是从PCA人脸识别开始的。主成分分析(Principal Component Analysis，简称PCA)，是多元统计分析中一种分析数据的方法，它的核心思想是用一种较少数量的特征对样本进行描述以达到降低特征空间维数。PCA人脸识别算法是进行降维后通过最邻近法进行分类匹配。

2008年，Wright et al.提出了一种基于图像对象识别的一种通用分类算法，名为稀疏表达分类算法(Sparse Representation Classification，简称SRC)，它是近年来人脸识别方面一个重大突破的算法，受到广泛的应用。SRC的中心思想是将测试样本用训练样本的图像表达，求出其最稀疏的表达方式，并从稀疏解根据权重提取出分类信息。可以看出，SRC算法可以说基本没有训练的成本，而其他常用的算法大都需要基于训练图像进行几小时甚至长达几天的模型训练。SRC除了方便更新训练图像，还能有效的应对光照、表情、局部遮挡等问题，并且已经理论证明具有良好的鲁棒性。

LEI et al.在SRC的基础上，引入仿射变换应对姿态影响，这是原始的SRC算法很难解决的一个问题。另外，为了简化运算，作者使用了一种随机投影将图像降维的方法，使得运算速度加快。

随着人工智能算法的不断提出与改进，人脸识别的算法也在不停更新。将人工智能的高效算法及处理方手段运用到人脸识别，一直是探索人脸识别算法的一种方式。而计算机的处理能力不断增强，尤其是并行化运算的运用，使得许多算法的高效执行成为可能。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于PCA和SRC的高清图像人脸快速识别方法，可以有效地提高人脸识别的速度和识别率。

为了解决上述技术问题，本发明实施一种基于PCA和SRC的高清图像人脸快速识别方法，所述方法包括：

获取图像，输入数据库；

结合主成分分析和Adaboost算法思想，使用数据库中的人脸图像对模型进行训练，获得多个特征矩阵；

通过对待分类图像进行仿射变换，降低SRC算法对人像姿态的要求；

结合计算机并行化计算的特点，使用改进的SRC对待分类图像进行分类，减少算法的计算量。

优选地，获取图像，输入数据库，主要包括：制定合适的标准，使获取到的图像大小一致。将这些图像转化为灰度图，标注所属人，存入数据库。数据库中的所有图像维度相同。

优选地，所述结合主成分分析和Adaboost算法思想，使用数据库中的人脸图像对模型进行训练，获得多个特征矩阵。其主要包括三个步骤：分别为用矩阵表示训练集、求解训练集的协方差矩阵、构建多个特征空间。下面做详细说明：

首先，用矩阵表示训练集。

先对训练集中的每一个人脸图像使用向量表示，假设图像的大小均为H*W。通过堆叠的方式，将每张图像用一个一维的列向量表示：

其中i为训练集中第i张训练图像。

为了将训练集中的图像表示成一个矩阵，并方便计算机进行并行化处理，将每一个图像列向量进行转置，并作为训练集图像矩阵M的某一行。假设训练集中有N张人脸图像，则矩阵M有N行，H*W列：

M＝{f_i(h,w)}＝(f₀ f₁ … f_N-1)^T

其次，求解训练集的协方差矩阵。

求出训练集的平均向量：

是整个训练集所有人脸图像的平均脸。

训练集的协方差矩阵为：

显然M_C是H*W阶实对称方阵，则一定存在H*W个相互正交的对应各个特征值的特征向量：

其中i＝0,1,…,H*W-1，为相互正交的单位特征向量，λ_i为对应的特征值。λ_i与的求解方法可依据实对称矩阵与正交矩阵的关系得出：

其中

最后，构建多个特征空间

传统的PCA人脸识别算法是基于上一步求出的特征值由大到小进行排序，并选择对应特征值比较大的特征向量构成投影矩阵。传统的方法最终的得到的只有一个特征矩阵，它将特征值较小的特征向量全部抛弃，也即完全丢弃该部分的信息。

当结合仿射变换对待分类图像进行处理时，再经过特征矩阵进行投影，有几率少量的重要信息。而结合Adaboost的思想可知，多个弱分类器也能构成一个强分类器。从SRC的原理可知，该分类器的一个决定因素就是训练集图像本身，于是我们可以通过构造不同的训练集图像矩阵来改变基于仿射变换的SRC分类器的强度。

从上述第2步，我们得到了H*W个特征值，对它们由大到小进行排序。在一定比例的最大值中抽取一定比例的特征值，用其对应的特征向量构成一个投影矩阵U_k，并基于特征值按一定规则计算得到该矩阵的权重w_k，重复此步骤构造多个投影空间。通过结合SRC对构造的SRC进行筛选及权重修正。

该步骤中投影空间的数量K、各个特征矩阵对应的权重w_k、选定抽取范围的比例以及抽取特征值的比例均依照训练集及图像的特点进行改变。

优选地，所述对待分类图像进行仿射变换包括：

假设原图像的像素位置为(X_i,Y_i)，变换后的图像位置为(x_i,y_i)，则变换方法如下所示：

其中，θ_x和θ_x分别表示变换后的图像和变换前的图像分别与x轴和y轴的夹角，t_x和t_y分别表示变换后的图像相对于变换前的图像，分别相对于x轴和y轴的偏移量。

优选地，所述结合计算机并行化计算的特点，使用改进的SRC对待分类图像进行分类，减少算法的计算量，主要包括：

由于待分类图像的稀疏表示要求与训练图像对齐，因此引入以下仿射变换算法模型进行校正：

τ＝argmin‖e‖₁subj T(f,τ)＝M_jx+e

其中，f是原始图像，τ是仿射变换参数，T(f,τ)是仿射变换算子，M_j指第j类人脸样本矩阵。该算法将每个人的人脸图像集单独用作训练字典，能避免陷入局部最优解，即求解得出的x和e均是全局最优解。而由于将每个人的人脸分开作为训练样本，只需对e最稀疏化即可。

如果待分类样本只存在微小的平移偏差，可通过一阶泰勒展开式来近似校正后的待分类图像：

T(f,τ)≈f+Δx·f_x+Δy·f_y

其中，f_x是图像f水平方向的一阶倒数，f_y是图像f竖直方向的一阶倒数。

此时模型转化成经典的范数最小化问题：

argmin‖e‖₁subj f＝A_jw

其中，

n_j为第j个人脸在训练集中含有的图像数量；

结合(3)中求得的各个投影矩阵，可将问题转换到特定的空间进行解决。以下以其中某一个投影空间为例，对上式左右两边均乘上该空间对应的特征矩阵：

此时可解得w＝[x_j-Δx-e_j·Δy]^T

待分类样本f是校正的样本f′与残差f_e′之和，即f＝f′+f_e′，其中f′≈M_jx_j。通过求解下式得到待分类样本f与校正的版本f′的平移量：

Δτ＝argmin‖T(f,Δτ)-f′‖₂

求出待分类样本相对于不同的训练样本的仿射变换参数τ_j后，利用下式可求出原始待分类样本相对于校正后的不同类型的训练样本的误差e：

argmin‖x₀‖₁+‖e₀‖₁subj f＝T(M_j,τ_j ^-1)x+e

通过比较不同人的训练样本矩阵M_j所对应的e的大小进行分类，即基于投影矩阵U_k的预测结果的计算如下：

y_k＝argmin‖e_j‖₂

结合各个投影矩阵U_k对应的权重w_k，分权投票得出最终的预测结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例一种快速人脸识别方法的流程示意图.

具体实施方式

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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1是本发明实施例一种快速人脸识别方法的流程示意图，如图1所示，该方法包括：

S11：获取图像，输入数据库；

S12：使用数据库图像训练模型；

S13：对待分类图像进行仿射变换；

S14：对使用改进SRC对图像进行分类。

对S11进一步说明：

优选地，获取图像，输入数据库，主要包括：制定合适的标准，使获取到的图像大小一致。将这些图像转化为灰度图，标注所属人，存入数据库。数据库中的所有图像维度相同。

对S12进一步说明：

优选地，所述结合主成分分析和Adaboost算法思想，使用数据库中的人脸图像对模型进行训练，获得多个特征矩阵。其主要包括三个步骤：分别为用矩阵表示训练集、求解训练集的协方差矩阵、构建多个特征空间。下面做详细说明：

首先，用矩阵表示训练集。

先对训练集中的每一个人脸图像使用向量表示，假设图像的大小均为H*W。通过堆叠的方式，将每张图像用一个一维的列向量表示：

其中i为训练集中第i张训练图像。

为了将训练集中的图像表示成一个矩阵，并方便计算机进行并行化处理，将每一个图像列向量进行转置，并作为训练集图像矩阵M的某一行。假设训练集中有N张人脸图像，则矩阵M有N行，H*W列：

M＝{f_i(h,w)}＝(f₀ f₁ … f_N-1)^T

其次，求解训练集的协方差矩阵。

求出训练集的平均向量：

是整个训练集所有人脸图像的平均脸。

训练集的协方差矩阵为：

显然M_C是H*W阶实对称方阵，则一定存在H*W个相互正交的对应各个特征值的特征向量：

其中i＝0,1,…,H*W-1，为相互正交的单位特征向量，λ_i为对应的特征值。λ_i与的求解方法可依据实对称矩阵与正交矩阵的关系得出：

其中

最后，构建多个特征空间

传统的PCA人脸识别算法是基于上一步求出的特征值由大到小进行排序，并选择对应特征值比较大的特征向量构成投影矩阵。传统的方法最终的得到的只有一个特征矩阵，它将特征值较小的特征向量全部抛弃，也即完全丢弃该部分的信息。

当结合仿射变换对待分类图像进行处理时，再经过特征矩阵进行投影，有几率少量的重要信息。而结合Adaboost的思想可知，多个弱分类器也能构成一个强分类器。从SRC的原理可知，该分类器的一个决定因素就是训练集图像本身，于是我们可以通过构造不同的训练集图像矩阵来改变基于仿射变换的SRC分类器的强度。

从S12中我们得到了H*W个特征值，对它们由大到小进行排序。在一定比例的最大值中抽取一定比例的特征值，用其对应的特征向量构成一个投影矩阵U_k，并基于特征值按一定规则计算得到该矩阵的权重w_k，重复此步骤构造多个投影空间。通过结合SRC对构造的SRC进行筛选及权重修正。

该步骤中投影空间的数量K、各个特征矩阵对应的权重w_k、选定抽取范围的比例以及抽取特征值的比例均依照训练集及图像的特点进行改变。

对S13进一步说明：

优选地，所述对待分类图像进行仿射变换包括：

假设原图像的像素位置为(X_i,Y_i)，变换后的图像位置为(x_i,y_i)，则变换方法如下所示：

其中，θ_x和θ_x分别表示变换后的图像和变换前的图像分别与x轴和y轴的夹角，t_x和t_y分别表示变换后的图像相对于变换前的图像，分别相对于x轴和y轴的偏移量。

对S14进一步说明：

优选地，所述结合计算机并行化计算的特点，使用改进的SRC对待分类图像进行分类，减少算法的计算量，主要包括：

由于待分类图像的稀疏表示要求与训练图像对齐，因此引入以下仿射变换算法模型进行校正：

τ＝argmin‖e‖₁subj T(f,τ)＝M_jx+e

其中，f是原始图像，τ是仿射变换参数，T(f,τ)是仿射变换算子，M_j指第j类人脸样本矩阵。该算法将每个人的人脸图像集单独用作训练字典，能避免陷入局部最优解，即求解得出的x和e均是全局最优解。而由于将每个人的人脸分开作为训练样本，只需对e最稀疏化即可。

如果待分类样本只存在微小的平移偏差，可通过一阶泰勒展开式来近似校正后的待分类图像：

T(f,τ)≈f+Δx·f_x+Δy·f_y

其中，f_x是图像f水平方向的一阶倒数，f_y是图像f竖直方向的一阶倒数。

此时模型转化成经典的范数最小化问题：

argmin‖e‖₁subj f＝A_jw

其中，

n_j为第j个人脸在训练集中含有的图像数量；

结合(3)中求得的各个投影矩阵，可将问题转换到特定的空间进行解决。以下以其中某一个投影空间为例，对上式左右两边均乘上该空间对应的特征矩阵：

argmin‖e‖₁subj U_k,f＝U_kA_jw

此时可解得w＝[x_j-Δx-e_j·Δy]^T

待分类样本f是校正的样本f′与残差f_e′之和，即f＝f′+f_e′，其中f′≈M_jx_j。通过求解下式得到待分类样本f与校正的版本f′的平移量：

Δτ＝argmin‖T(f,Δτ)-f′‖₂

求出待分类样本相对于不同的训练样本的仿射变换参数τ_j后，利用下式可求出原始待分类样本相对于校正后的不同类型的训练样本的误差e：

argmin‖x₀‖₁+‖e₀‖₁subj f＝T(M_j,τ_j ^-1)x+e

通过比较不同人的训练样本矩阵M_j所对应的e的大小进行分类，即基于投影矩阵U_k的预测结果的计算如下：

y_k＝argmin‖e_j‖₂

结合各个投影矩阵U_k对应的权重w_k，分权投票得出最终的预测结果。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种快速人脸识别方法进行了详细介绍，本文中应采用了具体个例对本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其核心思想；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本发明的限制。

Claims (7)

1.一种基于PCA和SRC的高清图像人脸快速识别方法，其特征在于所述方法包括：

获取人脸图像，输入数据库；

结合主成分分析和Adaboost算法思想，使用数据库中的人脸图像对模型进行训练，获得多个特征矩阵；

通过对待分类图像进行仿射变换，降低SRC算法对人像姿态的要求；

使用改进的SRC对待分类图像进行分类，减少算法的计算量。

2.根据权利要求1所述基于PCA和SRC的高清图像的人脸快速识别方法，所述获取人脸图像，输入数据库，具体方法如下：

制定合适的标准，使获取到的图像大小一致。将这些图像转化为灰度图，标注所属人，存入数据库。数据库中的所有图像维度相同。

3.根据权利要求1所述基于PCA和SRC的高清图像的人脸快速识别方法，所述对数据库中的人脸图像对模型进行训练，获得多个特征矩阵，具体方法如下：

首先，用矩阵表示训练集。

先对训练集中的每一个人脸图像使用向量表示，假设图像的大小均为H*W。通过堆叠的方式，将每张图像用一个一维的列向量表示：

其中i为训练集中第i张训练图像。

为了将训练集中的图像表示成一个矩阵，并方便计算机进行并行化处理，将每一个图像列向量进行转置，并作为训练集图像矩阵M的某一行。假设训练集中有N张人脸图像，则矩阵M有N行，H*W列：

M＝{f_i(h,w)}＝(f₀ f₁ … f_N-1)^T

其次，求解训练集的协方差矩阵。

求出训练集的平均向量：

是整个训练集所有人脸图像的平均脸。

训练集的协方差矩阵为：

显然M_C是H*W阶实对称方阵，则一定存在H*W个相互正交的对应各个特征值的特征向量：

其中i＝0,1,…,H*W-1，为相互正交的单位特征向量，λ_i为对应的特征值。λ_i与的求解方法可依据实对称矩阵与正交矩阵的关系得出：

其中

最后，构建多个特征空间

传统的PCA人脸识别算法是基于上一步求出的特征值由大到小进行排序，并选择对应特征值比较大的特征向量构成投影矩阵。传统的方法最终的得到的只有一个特征矩阵，它将特征值较小的特征向量全部抛弃，也即完全丢弃该部分的信息。

当结合仿射变换对待分类图像进行处理时，再经过特征矩阵进行投影，有几率少量的重要信息。而结合Adaboost的思想可知，多个弱分类器也能构成一个强分类器。从SRC的原理可知，该分类器的一个决定因素就是训练集图像本身，于是我们可以通过构造不同的训练集图像矩阵来改变基于仿射变换的SRC分类器的强度。

从(3)的第一个步骤中我们得到了H*W个特征值，对它们由大到小进行排序。在一定比例的最大值中抽取一定比例的特征值，用其对应的特征向量构成一个投影矩阵U_k，并基于特征值按一定规则计算得到该矩阵的权重w_k，重复此步骤构造多个投影空间。通过结合SRC对构造的SRC进行筛选及权重修正。

该步骤中投影空间的数量K、各个特征矩阵对应的权重w_k、选定抽取范围的比例以及抽取特征值的比例均依照训练集及图像的特点进行改变。

4.根据权利要求1所述的基于PCA和SRC的高清图像人脸快速识别方法，所述对待分类图像进行仿射变换。具体方法如下所示。

假设原图像的像素位置为(X_i,Y_i)，变换后的图像位置为(x_i,y_i)，则变换方法如下所示：

其中，θ_x和θ_x分别表示变换后的图像和变换前的图像分别与x轴和y轴的夹角，t_x和t_y分别表示变换后的图像相对于变换前的图像，分别相对于x轴和y轴的偏移量。

5.根据权利要求1所述基于PCA和SRC的高清图像人脸快速识别方法，所述对使用改进的SRC对待分类图像进行分类，减少算法的计算量。

由于待分类图像的稀疏表示要求与训练图像对齐，因此引入以下仿射变换算法模型进行校正：

τ＝argmin‖e‖₁subj T(f,τ)＝M_jx+e

其中，f是原始图像，τ是仿射变换参数，T(f,τ)是仿射变换算子，M_j指第j类人脸样本矩阵。该算法将每个人的人脸图像集单独用作训练字典，能避免陷入局部最优解，即求解得出的x和e均是全局最优解。而由于将每个人的人脸分开作为训练样本，只需对e最稀疏化即可。

如果待分类样本只存在微小的平移偏差，可通过一阶泰勒展开式来近似校正后的待分类图像：

T(f,τ)≈f+Δx·f_x+Δy·f_y

其中，f_x是图像f水平方向的一阶倒数，f_y是图像f竖直方向的一阶倒数。

此时模型转化成经典的范数最小化问题：

argmin‖e‖₁subj f＝A_jw

其中，

n_j为第j个人脸在训练集中含有的图像数量；

结合求得的各个投影矩阵，可将问题转换到特定的空间进行解决。以下以其中某一个投影空间为例，对上式左右两边均乘上该空间对应的特征矩阵：

argmin‖e‖₁subj U_k,f＝U_kA_jw

此时可解得w＝[x_j-Δx-e_j·Δy]^T

待分类样本f是校正的样本f′与残差f_e′之和，即f＝f′+f_e′，其中f′≈M_jx_j。通过求解下式得到待分类样本f与校正的版本f′的平移量：

Δτ＝argmin‖T(f,Δτ)-f′‖₂

求出待分类样本相对于不同的训练样本的仿射变换参数τ_j后，利用下式可求出原始待分类样本相对于校正后的不同类型的训练样本的误差e：

argmin‖x₀‖₁+‖e₀‖₁subj f＝T(M_j,τ_j ^-1)x+e

通过比较不同人的训练样本矩阵M_j所对应的e的大小进行分类，即基于投影矩阵U_k的预测结果的计算如下：

y_k＝argmin‖e_j‖₂

结合各个投影矩阵U_k对应的权重w_k，分权投票得出最终的预测结果。

6.根据权利要求1所述的基于PCA和SRC的高清图像人脸快速识别方法，所述对数据库中的人脸图像对模型进行训练，主要特征在于结合PCA与Adaboost(一种迭代算法,其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器按一定方式集合起来，构成一个强分类器)的思想，使用数据库中的人脸图像训练模型，获得多个特征矩阵。通过每个特征矩阵均能对应得到待分类图像的分类结果，再进行加权投票获得最终的分类预测，这样可在降低维度提高速度的同时也保证分类识别的准确率。

7.根据权利要求1所述的基于PCA和SRC高清图像人脸快速识别方法，所述对使用改进的SRC对待分类图像进行分类，减少算法的计算量，主要特征在于在计算过程中不是直接使用整个训练集图像构成的矩阵，而是将训练集中的图像先按照所属人构造出多个训练矩阵，每个矩阵均由同一个人的人脸图像构成，再分别进行后续的计算。另外，还可以优化算法实现过程中的矩阵运算及一些循环操作，满足并行化的条件，提高计算速度。