CN109766810B - 基于协同表示和池化及融合的人脸识别分类方法 - Google Patents

基于协同表示和池化及融合的人脸识别分类方法 Download PDF

Info

Publication number
CN109766810B
CN109766810B CN201811650923.6A CN201811650923A CN109766810B CN 109766810 B CN109766810 B CN 109766810B CN 201811650923 A CN201811650923 A CN 201811650923A CN 109766810 B CN109766810 B CN 109766810B
Authority
CN
China
Prior art keywords
face image
pooling
image set
training
pooled
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811650923.6A
Other languages
English (en)
Other versions
CN109766810A (zh
Inventor
彭亚丽
吕梦鸽
王蒙
吴晓军
裴炤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN201811650923.6A priority Critical patent/CN109766810B/zh
Publication of CN109766810A publication Critical patent/CN109766810A/zh
Application granted granted Critical
Publication of CN109766810B publication Critical patent/CN109766810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于协同表示和池化及融合的人脸识别分类方法，具体包括将人脸数据库分为训练人脸图像集和测试人脸图像集；对训练人脸图像集和测试人脸图像集分别进行最大池化、平均池化和最小池化处理；归一化处理；求最大池化训练人脸图像集协同表示该最大池化测试人脸图像的最大池化误差向量；求平均池化训练图像集协同表示每一张平均池化测试图像的平均池化误差向量；求最小池化训练图像集协同表示该最小池化测试图像的最小池化误差向量；对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，并对测试人脸图像集中的人脸图像进行分类。

Description

基于协同表示和池化及融合的人脸识别分类方法
技术领域
本发明属于图像处理技术领域，具体涉及到一种基于协同表示和池化及融合的人脸识别分类方法。
背景技术
人脸分类识别技术是近年来计算机领域广泛关注的难点和热点，它在自助服务、信息安全、住宅安全等领域都有广泛的应用。在众多已有的人脸识别方法中，J.Wright等人提出了基于稀疏表示的人脸识别方法(A.Yang,A.Ganesh,S.Sastry,and Y.Ma,“RobustFace Recognition via Sparse Representation,”IEEE Trans.Pattern Analysis andMachine Intelligence,vol.31,no.2,pp.210-227,2009)，它的主要思想是：利用所有训练图像构造字典，再通过求解一个欠定方程组来求得测试图像的最稀疏线性组合系数，在此基础上计算字典重构和测试图像的误差，最后利用最小误差所对应的类别为识别结果，但是SRC方法要求解l1-范数最小化问题，计算复杂度较高，张磊等人通过研究发现：是训练图像对测试图像的协同表示而不是l1-范数诱导的稀疏性更有助于提升人脸识别的准确性，他们由此提出了基于协同表示的人脸识别方法(L.Zhang,M.Yang,and X.Feng,“Sparserepresentation or collaborative representation:which helps face recognition？”in ICCV2011)，建议用l2-范数取代l1-范数作为正则项，可以大大降低计算强度，并通过实验证明，其分类性能几乎接近于原始l1-范数最小化问题分类性能。但是在处理的图像的分辨率比较大时l2-范数的求解依然相当复杂，而且基于稀疏或协同表示算法进行的分类也不够精确。
发明内容
本发明所要解决的技术问题在于提供一种设计合理、计算量小、分类准确率高的基于协同表示和池化及融合的人脸识别分类方法。
解决上述技术问题所采用的技术方案由以下步骤组成：
(1)人脸图像数据库A＝[a11,a12,...a1n；...am1,am2...amn；]，amn为第m类的第n张人脸图像，m和n均为正整数，从人脸图像数据库A的每类人脸图像中随机选取k张人脸图像，k为正整数且k＜n，共选取m×k张人脸图像作为训练人脸图像集B＝[b11,b12,...b1k；...bm1,bm2,...bmk；]，bmk为第m类第k张训练人脸图像，剩余m×(n-k)人脸图像作为测试人脸图像集C＝[c11,c12,...c1(n-k)；...cm1,cm2,...cm(n-k)；]，cm(n-k)为第m类第n-k张测试人脸图像；
(2)对训练人脸图像集B和测试人脸图像集C分别进行最大池化、平均池化和最小池化处理，得到最大池化训练人脸图像集B′＝[b′11,b′12,...b1k；...b′m1,b′m2,...b′mk；]、平均池化训练人脸图像集B″＝[b″11,b1″2,...b1″k；...bm″1,bm″2,...bm″k；]、最小池化训练人脸图像集B″′＝[b″′11,b″′12,...b″′1k；...b″′m1,b″′m2,...b″′mk；]、最大池化测试人脸图像集C′＝[c′11,c′12,...c′1(n-k)；...c′m1,c′m2,...c′m(n-k)；]、平均池化测试人脸图像集C″＝[c″11,c″12,...c″1(n-k)；...c″m1,c″m2,...c″m(n-k)；]、最小池化测试人脸图像集C″′＝[c″′11,c″′12,...c″′1(n-k)；...c″′m1,c″′m2,...c″′m(n-k)；]，b′mk为第m类第k张最大池化训练人脸图像，b″mk为第m类第k张平均池化训练人脸图像，b″′mk为第m类第k张最小池化训练人脸图像,c′m(n-k)为第m类第n-k张最大池化测试人脸图像，c″m(n-k)为第m类第n-k张平均池化测试人脸图像，c″′m(n-k)为第m类第n-k张最小池化测试人脸图像；
(3)对最大池化训练人脸图像集B′、最大池化测试人脸图像集C′、平均池化训练人脸图像集B″、平均池化测试人脸图像集C″、最小池化训练人脸图像集B″′、最小池化测试人脸图像集C″′进行归一化处理；
(4)求最大池化训练人脸图像集B′协同表示每一张最大池化测试人脸图像c′hg的最大池化误差向量
(4.1)从步骤(3)归一化处理后的最大池化测试人脸图像集C′中取出最大池化测试人脸图像c′hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用最大池化训练人脸图像集B′表示最大池化测试人脸图像c′hg，其表示系数为ρ，
ρ＝(B′TB′+λ*Is)-1B′Tc′hg
式中B′T为最大池化训练人脸图像集B′的转置，λ为正则化参数，λ∈(10-6，10-1)，I为s阶单位矩阵，s＝k×m；
(4.2)用第i类最大池化训练人脸图像集U表示最大池化测试人脸图像c′hg的最大池化误差为ri，
ri＝||c′hg-Uρ||2/||ρ||2
式中U＝[b′i1,b′i2,...b′ik]，b′ik为第i类第k张最大池化训练人脸图像，i＝1,2,...m，i为正整数；
(5)用平均池化训练图像集B″协同表示每一张平均池化测试图像c″hg的平均池化误差向量
(5.1)经步骤(3)归一化处理后的平均池化测试人脸图像集C″中取出平均池化测试人脸图c″hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用平均池化训练人脸图像集B″表示平均池化测试人脸图像c″hg，其表示系数为ρ′，
ρ′＝(B″TB″+λ*Is)-1B″Tc″hg
式中B″T为平均池化训练人脸图像集B″的转置，λ为正则化参数，λ∈(10-6，10-1)，I为s阶单位矩阵，s＝k×m；
(5.2)用第i类平均池化训练人脸图像集L表示平均池化测试人脸图像c″hg的平均池化误差为ri′，
ri′＝||c″hg-Lρ′||2/||ρ′||2
式中L＝[b″i1,b″i2,...b″ik]，b″ik为第i类第k张平均池化训练人脸图像，i＝1,2,...m，i为正整数；
(6)求最小池化训练图像集B″′协同表示每一张最小池化测试图像c″′hg的最小池化误差向量
(6.1)经步骤(3)归一化处理后的最小池化测试人脸图像集C″′中取出最小池化测试人脸图c″′hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用最小池化训练人脸图像集B″′表示最小池化测试人脸图像c″′hg，其表示系数为ρ″，
ρ″＝(B″′TB″′+λ*Is)-1B″′Tc″hg
式中B″′T为最小池化训练人脸图像集B″′的转置，λ为正则化参数，λ∈(10-6，10-1)，I为s阶单位矩阵，s＝k×m；
(6.2)用第i类最小池化训练人脸图像集Q表示最小池化测试人脸图像c″′hg的平均池化误差为ri″
ri″＝||c″′hg-Qρ″||2/||ρ″||2
式中Q＝[b″′i1,b″′i2,...b″′ik]，b″′ik为第i类第k张最小池化训练人脸图像，i＝1,2,...m，i为正整数；
(7)对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，得到融合后的误差向量，求出误差向量中最小值所对应人脸图像数据库A中的类别，将步骤(4)取出的最大池化测试人脸图像c′hg和步骤(5)取出的平均池化测试人脸图像c″hg及步骤(6)取出的最小池化测试人脸图像c″′hg所对应的测试人脸图像集中的人脸图像分配到该类。
作为一种优选的技术方案，所述的步骤(2)中最大池化、平均池化和最小池化处理方法为：设置池化窗口的尺寸为2×2像素，将训练人脸图像集B和测试人脸图像集C中的人脸图像划分为均等不重叠的2×2子块，分别取每个图像子块像素值的最大值、最小值和平均值作为该块的特征值，并用每个子块的特征值代表该子块。
作为一种优选的技术方案，所述的步骤(7)中对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，加权融合的公式如下：
d＝w[r1,r2,...ri,...rm]+w′[r′1,r′2,...r′i,...r′m]+w″[r″1,r″2,...r″i,...r″m]
式中d为融合后的误差向量，w为最大池化误差向量对应的权值，w′为平均池化误差向量对应的权值，w″为最小池化误差向量对应的权值。
本发明在协同表示方法的基础上，依据图像的静态性属性，即在一个图像区域有用的特征极有可能在另一个区域同样适用，结合池化方法的特点，使用特定的权重计算不同池化结果的加权和，提出了一种基于图像协同表示、池化和融合的人脸识别方法，相比于经典的人脸识别算法，不仅降低了图像的维度，简化了计算量，提高了人脸识别分类的准确率，而且对光照、表情、遮挡及噪声具有一定的鲁棒性。
附图说明
图1为本发明基于协同表示和池化及融合的人脸识别分类方法的算法流程图。
图2为本发明基于协同表示和池化及融合的人脸识别分类方法的最大池化处理图像结果示意图。
图3为本发明基于协同表示和池化及融合的人脸识别分类方法在AR人脸库权值对人脸识别效果影响对比图。
图4为本发明基于协同表示和池化及融合的人脸识别分类方法在YaleB人脸库权值对人脸识别效果影响对比图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。
实施例1
以AR人脸图像数据库为例，如图1，本实施例的基于协同表示和池化及融合的人脸识别分类方法，由以下步骤组成：
(1)AR人脸图像数据库的类数m＝120类、每类人脸图像张数n＝26张，从AR人脸图像数据库每类随机选取k＝10张人脸图像，共选取m×k张人脸图像作为训练人脸图像集B＝[b11,b12,...b1k；...bm1,bm2,...bmk；]，bmk为第m类第k张训练人脸图像，剩余m×(n-k)张人脸图像作为测试人脸图像集C＝[c11,c12,...c1(n-k)；...cm1,cm2,...cm(n-k)；]，cm(n-k)为第m类第n-k张测试人脸图像；
(2)设置池化窗口的尺寸为2×2像素，对训练人脸图像集B和测试人脸图像集C中人脸图像进行最大池化、平均池化和最小池化处理，将训练人脸图像集B和测试人脸图像集C中的人脸图像划分为均等不重叠的2×2子块，分别取每个图像子块像素值的最大值、最小值和平均值作为该块的特征值，并用每个子块的特征值代表该子块，得到最大池化训练人脸图像集B′＝[b′11,b′12,...b1k；...b′m1,b′m2,...b′mk；]、平均池化训练人脸图像集B″＝[b″11,b″12,...b″1k；...b″m1,b″m2,...b″mk；]、最小池化训练人脸图像集B″′＝[b″′11,b″′12,...b″′1k；...b″′m1,b″′m2,...b″′mk；]、最大池化测试人脸图像集C′＝[c′11,c′12,...c′1(n-k)；...c′m1,c′m2,...c′m(n-k)；]、平均池化测试人脸图像集C″＝[c″11,c″12,...c″1(n-k)；...c″m1,c″m2,...c″m(n-k)；]、最小池化测试人脸图像集C″′＝[c″′11,c″′12,...c″′1(n-k)；...c″′m1,c″′m2,...c″′m(n-k)；]，b′mk为第m类第k张最大池化训练人脸图像，b″′mk为第m类第k张平均池化训练人脸图像，b″′mk为第m类第k张最小池化训练人脸图像,c′m(n-k)为第m类第n-k张最大池化测试人脸图像，c″m(n-k)为第m类第n-k张平均池化测试人脸图像，c″′m(n-k)为第m类第n-k张最小池化测试人脸图像，最大池化训练人脸图像集B′中人脸图像池化结果如图2所示；
(3)对最大池化训练人脸图像集B′、最大池化测试人脸图像集C′、平均池化训练人脸图像集B″、平均池化测试人脸图像集C″、最小池化训练人脸图像集B″′、最小池化测试人脸图像集C″′进行归一化处理；
(4)确定最大池化训练人脸图像集B′协同表示每一张最大池化测试人脸图像c′hg的最大池化误差向量
(4.1)从步骤(3)归一化处理后的最大池化测试人脸图像集C′中取出最大池化测试人脸图像c′hg，h∈[1,120]，g∈[1,16]，h和g均为正整数，用最大池化训练人脸图像集B′表示最大池化测试人脸图像c′hg，其表示系数为ρ，
ρ＝(B′TB′+λ*Is)-1B′Tc′hg
式中B′T为最大池化训练人脸图像集B′的转置，λ为正则化参数，λ＝10-5，I为s阶单位矩阵，s＝10×120；
(4.2)用第i类最大池化训练人脸图像集U表示最大池化测试人脸图像c′hg的最大池化误差为ri，
ri＝||c′hg-Uρ||2/||ρ||2
式中U＝[b′i1,b′i2,...b′ik]，b′ik为第i类第k张最大池化训练人脸图像，i＝1,2,...120，i为正整数；
(5)用平均池化训练图像集B″协同表示每一张平均池化测试图像c″hg的平均池化误差向量
(5.1)经步骤(3)归一化处理后的平均池化测试人脸图像集C″中取出平均池化测试人脸图c″hg，h∈[1,120]，g∈[1,16]，h和g均为正整数，用平均池化训练人脸图像集B″表示平均池化测试人脸图像c″hg，其表示系数为ρ′，
ρ′＝(B″TB″+λ*Is)-1B″Tc″hg
式中B″T为平均池化训练人脸图像集B″的转置，λ为正则化参数，λ＝10-5，I为s阶单位矩阵，s＝10×120；
(5.2)用第i类平均池化训练人脸图像集L表示平均池化测试人脸图像c″hg的平均池化误差为ri′，
ri′＝||c″hg-Lρ′||2/||ρ′||2
式中L＝[b″i1,b″i2,...b″ik]，b″ik为第i类第k张平均池化训练人脸图像，i＝1,2,...120，i为正整数；
(6)确定最小池化训练图像集B″′协同表示每一张最小池化测试图像c″′hg的最小池化误差向量
(6.1)经步骤(3)归一化处理后的最小池化测试人脸图像集C″′中取出最小池化测试人脸图c″′hg，h∈[1,120]，g∈[1,16]，h和g均为正整数，用最小池化训练人脸图像集B″′表示最小池化测试人脸图像c″′hg，其表示系数为ρ″，
ρ″＝(B″′TB″′+λ*Is)-1B″′Tc″′hg
式中B″′T为最小池化训练人脸图像集B″′的转置，λ为正则化参数，λ＝10-5，I为s阶单位矩阵，s＝10×120；
(6.2)用第i类最小池化训练人脸图像集Q表示最小池化测试人脸图像c″′hg的平均池化误差为ri″，
ri″＝||c″′hg-Qρ″||2/||ρ″||2
式中Q＝[b″′i1,b″′i2,...b″′ik]，b″′ik为第i类第k张最小池化训练人脸图像，i＝1,2,...120，i为正整数；
(7)对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，加权融合的公式如下：
d＝w[r1,r2,...ri,...rm]+w′[r′1,r′2,...r′i,...r′m]+w″[r″1,r″2,...r″i,...r″m]
式中d为融合后的误差向量，w为最大池化误差向量对应的权值，w′为平均池化误差向量对应的权值，w″为最小池化误差向量对应的权值；
得到融合后的误差向量，求出误差向量中最小值所对应人脸图像数据库A中的类别，将步骤(4)取出的最大池化测试人脸图像c′hg和步骤(5)取出的平均池化测试人脸图像c″hg及步骤(6)取出的最小池化测试人脸图像c″′hg所对应的测试人脸图像集中的人脸图像分配到该类。
为了验证本发明的有效性，本发明分别在AR、YaleB人脸数据库上进行实验，下面详细说明本发明的实验结果：
实验1，在AR数据库上实验
AR人脸数据库包括120个人，每个人26幅在不同遮挡、表情条件下正面人脸图像。本发明实验每个人随机选取10幅人脸图像作为训练人脸图像集，剩余的作为测试人脸图像集，随机进行10次实验，取10次平均识别率作为最终人脸识别率，本发明对最大池化误差向量、最小池化误差向量和平均池化误差向量选取不同的权值与协同表示分类方法进行比较，实验结果如图3。
从图3可以看出，对于AR人脸数据库，本发明方法与协同表示分类方法相比，人脸识别正确率提高了8％左右，使用三种池化方法相对于只使用一种池化方法的人脸识别分类正确率高；另外图3也充分说明本发明方法对表情变化、遮挡具有很强的鲁棒性，因为AR人脸库中的人脸图像存在表情变化和遮挡的情况。
实验2，在Yale B人脸数据库上实验
Yale B人脸数据库包括38个人，每个人64幅在不同光照、表情条件下正面人脸图像。本发明实验每个人随机选取30幅人脸图像作为训练人脸图像集，剩余的作为测试人脸图像集，随机进行10次实验，取10次平均识别率作为最终人脸识别率，本发明对最大池化误差向量、最小池化误差向量和平均池化误差向量选取不同的权值与协同表示分类方法进行比较，实验结果如图4。
在图4中，对于Yale B人脸数据库，本发明方法与协同表示分类方法相比，人脸识别正确率提高了6％～8％，使用三种池化方法相对于只使用一种池化方法的人脸识别分类正确率高，另外图4也充分说明本发明方法对光照、表情变化具有很强的鲁棒性，因为YaleB人脸数据库中的人脸图像存在光照、表情变化的情况。

Claims (2)

1.一种基于协同表示和池化及融合的人脸识别分类方法，其特征在于由以下步骤组成：
(1)人脸图像数据库A＝[a11,a12,...a1n；...am1,am2...amn；]，amn为第m类的第n张人脸图像，m和n均为正整数，从人脸图像数据库A的每类人脸图像中随机选取k张人脸图像，k为正整数且k＜n，共选取m×k张人脸图像作为训练人脸图像集B＝[b11,b12,...b1k；...bm1,bm2,...bmk；]，bmk为第m类第k张训练人脸图像，剩余m×(n-k)张人脸图像作为测试人脸图像集C＝[c11,c12,...c1(n-k)；...cm1,cm2,...cm(n-k)；]，cm(n-k)为第m类第n-k张测试人脸图像；
(2)对训练人脸图像集B和测试人脸图像集C分别进行最大池化、平均池化和最小池化处理，得到最大池化训练人脸图像集B′＝[b′11,b′12,...b1k；...b′m1,b′m2,...b′mk；]、平均池化训练人脸图像集B″＝[b″11,b″12,...b″1k；...b″m1,b″m2,...b″mk；]、最小池化训练人脸图像集B″′＝[b″′11,b″′12,...b″′1k；...b″′m1,b″′m2,...b″′mk；]、最大池化测试人脸图像集C′＝[c′11,c′12,...c′1(n-k)；...c′m1,c′m2,...c′m(n-k)；]、平均池化测试人脸图像集C″＝[c″11,c″12,...c″1(n-k)；...c″m1,c″m2,...c″m(n-k)；]、最小池化测试人脸图像集C″′＝[c″′11,c″′12,...c″′1(n-k)；...c″′m1,c″′m2,...c″′m(n-k)；]，b′mk为第m类第k张最大池化训练人脸图像，b″mk为第m类第k张平均池化训练人脸图像，b″′mk为第m类第k张最小池化训练人脸图像,c′m(n-k)为第m类第n-k张最大池化测试人脸图像，c″m(n-k)为第m类第n-k张平均池化测试人脸图像，c″′m(n-k)为第m类第n-k张最小池化测试人脸图像；
(3)对最大池化训练人脸图像集B′、最大池化测试人脸图像集C′、平均池化训练人脸图像集B″、平均池化测试人脸图像集C″、最小池化训练人脸图像集B″′、最小池化测试人脸图像集C″′进行归一化处理；
(4)确定最大池化训练人脸图像集B′协同表示每一张最大池化测试人脸图像c′hg的最大池化误差向量
(4.1)从步骤(3)归一化处理后的最大池化测试人脸图像集C′中取出最大池化测试人脸图像c′hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用最大池化训练人脸图像集B′表示最大池化测试人脸图像c′hg，其表示系数为ρ，
ρ＝(B′TB′+λ*Is)-1B′Tc′hg
式中B′T为最大池化训练人脸图像集B′的转置，λ为正则化参数，λ∈(10-6，10-1)，I为s阶单位矩阵，s＝k×m；
(4.2)用第i类最大池化训练人脸图像集U表示最大池化测试人脸图像c′hg的最大池化误差为ri，
ri＝||c′hg-Uρ||2/||ρ||2
式中U＝[b′i1,b′i2,...b′ik]，b′ik为第i类第k张最大池化训练人脸图像，i＝1,2,...m，i为正整数；
(5)用平均池化训练图像集B″协同表示每一张平均池化测试图像c″hg的平均池化误差向量
(5.1)经步骤(3)归一化处理后的平均池化测试人脸图像集C″中取出平均池化测试人脸图c″hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用平均池化训练人脸图像集B″表示平均池化测试人脸图像c″hg，其表示系数为ρ′，
ρ′＝(B″TB″+λ*Is)-1B″Tc″hg
式中B″T为平均池化训练人脸图像集B″的转置，λ为正则化参数，λ∈(10-6，10-1)，I为s阶单位矩阵，s＝k×m；
(5.2)用第i类平均池化训练人脸图像集L表示平均池化测试人脸图像c″hg的平均池化误差为r′i，
ri′＝||c″hg-Lρ′||2/||ρ′||2
式中L＝[b″i1,b″i2,...b″ik]，b″ik为第i类第k张平均池化训练人脸图像，i＝1,2,...m，i为正整数；
(6)确定最小池化训练图像集B″′协同表示每一张最小池化测试图像c″′hg的最小池化误差向量
(6.1)经步骤(3)归一化处理后的最小池化测试人脸图像集C″′中取出最小池化测试人脸图c″′hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用最小池化训练人脸图像集B″′表示最小池化测试人脸图像c″′hg，其表示系数为ρ″，
ρ″＝(B″′TB″′+λ*Is)-1B″′Tc″′hg
式中B″′T为最小池化训练人脸图像集B″′的转置，λ为正则化参数，λ∈(10-6，10-1)，I为s阶单位矩阵，s＝k×m；
(6.2)用第i类最小池化训练人脸图像集Q表示最小池化测试人脸图像c″′hg的平均池化误差为r″i，
ri″＝||c″′hg-Qρ″||2/||ρ″||2
式中Q＝[b″′i1,b″′i2,...b″′ik]，b″′ik为第i类第k张最小池化训练人脸图像，i＝1,2,...m，i为正整数；
(7)对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，得到融合后的误差向量，求出误差向量中最小值所对应人脸图像数据库A中的类别，将步骤(4)取出的最大池化测试人脸图像c′hg和步骤(5)取出的平均池化测试人脸图像c″hg及步骤(6)取出的最小池化测试人脸图像c″′hg所对应的测试人脸图像集中的人脸图像分配到该类；
所述加权融合的公式如下：
d＝w[r1,r2,...ri,...rm]+w′[r1′,r2′,...r′i,...r′m]+w″[r1″,r2″,...r″i,...r″m]
式中d为融合后的误差向量，w为最大池化误差向量对应的权值，w′为平均池化误差向量对应的权值，w″为最小池化误差向量对应的权值。
2.根据权利要求1所述的基于协同表示和池化及融合的人脸识别分类方法，其特征在于所述的步骤(2)中最大池化、平均池化和最小池化处理方法为：设置池化窗口的尺寸为2×2像素，将训练人脸图像集B和测试人脸图像集C中的人脸图像划分为均等不重叠的2×2子块，分别取每个图像子块像素值的最大值、平均值和最小值作为该块的特征值，并用每个子块的特征值代表该子块。
CN201811650923.6A 2018-12-31 2018-12-31 基于协同表示和池化及融合的人脸识别分类方法 Active CN109766810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811650923.6A CN109766810B (zh) 2018-12-31 2018-12-31 基于协同表示和池化及融合的人脸识别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811650923.6A CN109766810B (zh) 2018-12-31 2018-12-31 基于协同表示和池化及融合的人脸识别分类方法

Publications (2)

Publication Number Publication Date
CN109766810A CN109766810A (zh) 2019-05-17
CN109766810B true CN109766810B (zh) 2023-02-28

Family

ID=66453335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811650923.6A Active CN109766810B (zh) 2018-12-31 2018-12-31 基于协同表示和池化及融合的人脸识别分类方法

Country Status (1)

Country Link
CN (1) CN109766810B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363239B (zh) * 2019-07-04 2021-08-13 中国人民解放军国防科技大学 一种面向多模态数据的小样本机器学习方法、系统和介质
CN113033675B (zh) * 2021-03-30 2022-07-01 长沙理工大学 图像分类方法、装置和计算机设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2945102A1 (en) * 2014-05-15 2015-11-18 Ricoh Company, Ltd. Image processing apparatus, method of processing image, and program
CN105760845A (zh) * 2016-02-29 2016-07-13 南京航空航天大学 一种基于联合表示分类的集体人脸识别方法
CN105787430A (zh) * 2016-01-12 2016-07-20 南通航运职业技术学院 加权协同表征与线性表示分类相融合的二级人脸识别方法
US9430697B1 (en) * 2015-07-03 2016-08-30 TCL Research America Inc. Method and system for face recognition using deep collaborative representation-based classification
CN105975931A (zh) * 2016-05-04 2016-09-28 浙江大学 一种基于多尺度池化的卷积神经网络人脸识别方法
CN106548165A (zh) * 2016-11-28 2017-03-29 中通服公众信息产业股份有限公司 一种基于图像分块加权的卷积神经网络的人脸识别方法
CN106650699A (zh) * 2016-12-30 2017-05-10 中国科学院深圳先进技术研究院 一种基于卷积神经网络的人脸检测方法及装置
CN107507286A (zh) * 2017-08-02 2017-12-22 五邑大学 一种基于人脸和手写签名的双模态生物特征签到系统
CN108052867A (zh) * 2017-11-20 2018-05-18 河海大学 一种基于词袋模型的单样本人脸识别方法
CN108304820A (zh) * 2018-02-12 2018-07-20 腾讯科技（深圳）有限公司 一种人脸检测方法、装置及终端设备
CN108573284A (zh) * 2018-04-18 2018-09-25 陕西师范大学 基于正交实验分析的深度学习人脸图像扩充方法
CN108776779A (zh) * 2018-05-25 2018-11-09 西安电子科技大学 基于卷积循环网络的sar序列图像目标识别方法
CN109002755A (zh) * 2018-06-04 2018-12-14 西北大学 基于人脸图像的年龄估计模型构建方法及估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022241B (zh) * 2016-05-12 2019-05-03 宁波大学 一种基于小波变换及稀疏表示的人脸识别方法
CN108681725A (zh) * 2018-05-31 2018-10-19 西安理工大学 一种加权稀疏表示人脸识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2945102A1 (en) * 2014-05-15 2015-11-18 Ricoh Company, Ltd. Image processing apparatus, method of processing image, and program
US9430697B1 (en) * 2015-07-03 2016-08-30 TCL Research America Inc. Method and system for face recognition using deep collaborative representation-based classification
CN105787430A (zh) * 2016-01-12 2016-07-20 南通航运职业技术学院 加权协同表征与线性表示分类相融合的二级人脸识别方法
CN105760845A (zh) * 2016-02-29 2016-07-13 南京航空航天大学 一种基于联合表示分类的集体人脸识别方法
CN105975931A (zh) * 2016-05-04 2016-09-28 浙江大学 一种基于多尺度池化的卷积神经网络人脸识别方法
CN106548165A (zh) * 2016-11-28 2017-03-29 中通服公众信息产业股份有限公司 一种基于图像分块加权的卷积神经网络的人脸识别方法
CN106650699A (zh) * 2016-12-30 2017-05-10 中国科学院深圳先进技术研究院 一种基于卷积神经网络的人脸检测方法及装置
CN107507286A (zh) * 2017-08-02 2017-12-22 五邑大学 一种基于人脸和手写签名的双模态生物特征签到系统
CN108052867A (zh) * 2017-11-20 2018-05-18 河海大学 一种基于词袋模型的单样本人脸识别方法
CN108304820A (zh) * 2018-02-12 2018-07-20 腾讯科技（深圳）有限公司 一种人脸检测方法、装置及终端设备
CN108573284A (zh) * 2018-04-18 2018-09-25 陕西师范大学 基于正交实验分析的深度学习人脸图像扩充方法
CN108776779A (zh) * 2018-05-25 2018-11-09 西安电子科技大学 基于卷积循环网络的sar序列图像目标识别方法
CN109002755A (zh) * 2018-06-04 2018-12-14 西北大学 基于人脸图像的年龄估计模型构建方法及估计方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Convolutional face finder: a neural architecture for fast and robust face detection;C. Garcia etc.;《IEEE Transactions on Pattern Analysis and Machine Intelligence ( Volume: 26, Issue: 11, November 2004)》;IEEE;20041111;全文 *
Convolutional neural networks for class attendance;Zhao Pei etc.;《 2017 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD)》;IEEE;20170731;全文 *
Learning individual-specific dictionaries with fused multiple features for face recognition;Shu Kong etc.;《2013 10th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition (FG)》;IEEE;20130426;全文 *
Sparse representation or collaborative representation: Which helps face recognition?;Lei Zhang etc.;《 2011 International Conference on Computer Vision》;IEEE;20111113;全文 *
一种基于融合深度卷积神经网络与度量学习的人脸识别方法;吕璐等;《现代电子技术》;20180503(第09期);全文 *
基于协同表示分类的人脸识别算法研究;贺悦悦;《中国优秀硕士学位论文全文电子期刊网 信息科技辑》;20180415;全文 *
融合梯度的协同表示分类改进算法;张力等;《计算技术与自动化》;20171215(第04期);全文 *

Also Published As

Publication number Publication date
CN109766810A (zh) 2019-05-17

Similar Documents

Publication Publication Date Title
CN113658115B (zh) 一种基于深度卷积生成对抗网络的图像异常检测方法
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN109615582B (zh) 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
CN107085716B (zh) 基于多任务生成对抗网络的跨视角步态识别方法
CN112818764B (zh) 一种基于特征重建模型的低分辨率图像人脸表情识别方法
CN108932705B (zh) 一种基于矩阵变量变分自编码器的图像处理方法
CN104123560B (zh) 基于相位编码特征和多度量学习的模糊人脸图像验证方法
CN110287983A (zh) 基于最大相关熵深度神经网络单分类器异常检测方法
JPH1055444A (ja) Ｄｃｔをベースとするフィーチャー・ベクトルを使った顔の認識
CN111539331B (zh) 一种基于脑机接口的视觉图像重建系统
CN110852152B (zh) 一种基于数据增强的深度哈希行人重识别方法
CN104732186B (zh) 基于局部子空间稀疏表示的单样本人脸识别方法
CN104077742B (zh) 基于Gabor特征的人脸素描合成方法及系统
CN105981050A (zh) 用于从人脸图像的数据提取人脸特征的方法和系统
CN106096517A (zh) 一种基于低秩矩阵与特征脸的人脸识别方法
CN109766810B (zh) 基于协同表示和池化及融合的人脸识别分类方法
CN114220143A (zh) 一种佩戴口罩的人脸识别方法
CN107368819B (zh) 人脸识别方法及系统
CN111950429A (zh) 一种基于加权协同表示的人脸识别方法
CN109886160B (zh) 一种非限定条件下的人脸识别方法
Singh et al. A sparse coded composite descriptor for human activity recognition
CN108121964B (zh) 基于矩阵的联合稀疏局部保持投影人脸识别方法
CN102750546A (zh) 基于结构化误差编码的人脸遮挡检测方法
CN112257688A (zh) 一种基于gwo-oselm的非接触式手掌活体检测方法及装置
Zheng et al. Heteroscedastic sparse representation based classification for face recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant