本发明专利技术公开了一种面向人脸识别技术的鲁棒稀疏编码算法，属于人脸识别技术领域。本发明专利技术拥有高识别率和低计算开销，其中RSC的对异常和大面积遮挡的鲁棒性被很好地保留。随着iRSC中的每一步迭代，字典的规模逐步减少，计算的复杂度也大幅地减少。它的平均运行时间只有RSC的16％。在这个过程中，完备字典的特征未被影响，因此，iRSC可以获得与RSC相同的识别成功率。通过本发明专利技术基于AR人脸数据库的实验的结果显示，iRSC有着比SRC和RSC更好的综合表现。
【技术实现步骤摘要】
： 本专利技术属于人脸识别
，具体涉及一种面向人脸识别的改进鲁棒稀疏编码 算法。
技术介绍
： 在过去的几十年里，人脸识别在计算机视觉和模式识别领域获得了越来越广泛的 关注。作为计量生物学领域最为成功的应用技术之一，人脸识别技术可以被用于社会机器 人
，以一个自然、无接触的方式实现人物身份验证。在实用中，人脸图像被很多因 素影响，比如照明条件，人物姿态，面部表情等。其中，具有真实遮挡的人脸识别是一个非常 重要和困难的亟待解决的问题。因此，鲁棒的基于视觉的人脸识别吸引了来自计算机视觉、 机器人技术、人工智能等领域的学者的研究。 总的来说，人脸图像被拉伸成一个高维度的人脸向量，然后可以在人脸空间内使 用特征提取和维度缩减算法，这样高维人脸向量就被转化至一个低维的子空间。在这个人 脸子空间中就可以实施分类和识别工作了。两个经典的线性人脸识别方法是主成分分析 (PCA)和线性判别分析（LDA)。PCA被广泛用于减少原始人脸图像的维度，被提取的特征脸 方法的特征被用来当做其他方法的输入量。LDA是一个有监督的子空间学习方法，它寻找可 以最大化类间散布的最优规划，同时使类内散布最小化。 典型的非线性方法有基于线性方法的核方法，它应用核函数来增强分类能力。此 外还有多种多样的非线性方法，例如局部线性嵌入（LLE)和局部保留投影（LPP)，它假设人 脸图像数据分布与嵌入高维空间的流形相近。 在2007年，图形嵌入（GE)被提出，它被用来联合一系列用于人脸识别的缩减维度 的算法，充当它们的总体框架。每一个算法可以被视为某种图形嵌入，特定的图像被设计用 来描述一个数据集的某种统计学或几何学特征。根据GE，边界Fisher分析（MFA)和邻域 判别嵌入（NDE)被大致提出。这些算法可以更好地在人脸图像潜在的多种多样的结构中揭 露代表性和判别式特征。 最近，稀疏表示被从压缩感知理论引进到模式识别领域；基于稀疏表示的分类 (SRC)对于鲁棒人脸识别是一个里程碑式的算法，它可以在遮挡、出错和真实掩盖的情况下 工作。SRC的基本想法是利用在拥有所有训练样本的完备字典中选出很小的一部分来代表 待识别的人脸图像。编码稀疏度约束被用来确保在同一类中只有一小部分样本有明显的非 零值，而其他样本的值都等于或接近于零。编码相关系数的稀疏度可以直接地由10标准来 衡量，它计数出一个向量中非零向量的个数。然而，10标准最小化是一个NP-hard问题，因 此取而代之的11准则最小化，它被广泛应用于上述问题。已被证实的是在解足够稀疏的情 况下，10准则和11准则最小化是等价的。 SRC的代表性保真度被代码残余的12准则衡量，它假定代码残差服从高斯分布。 它可能不能够有效地形容人脸识别中真实情况下的代码残差，尤其是在人脸有伪装和遮挡 时，比如戴太阳镜或围巾的人脸。鲁棒稀疏编码（RSC)寻求稀疏编码问题的极大似然解，所 以代码残余的分布比高斯分布和拉普拉斯分布更加精确，且相对SRC来说对于遮挡的鲁棒 性更好。但是，在RSC中，迭代权重规则鲁棒编码（IR3C)算法被提出用来寻求编码问题的 MLE解，经常迭代次数超过10,IR3C才能获得收敛解。
技术实现思路
： 本专利技术的目的是为了改进算法应用的效率，增强RSC对于真正遮掩的鲁棒性，提 供了。在每一次迭代过程中，含有所有训练样 本的集合，"字典"，会随着消除具有更大编码残余的对象而逐步减少。被精简的字典被用来 获得稀疏编码问题MLE解的收敛结果。由于消除了具有更大编码残余对象的干扰，iRSC更 加收敛和高效。基于AR人脸数据库的实验表明iRSC在面对具有遮掩伪装的问题时表现 得比RSC和SRC更优秀。 为达到上述目的，本专利技术是通过以下技术方案来实现： -种面向人脸识别的改进鲁棒稀疏编码算法，包括以下步骤： 步骤1 :输入具有12标准的标准化待测图像y及字典D;其中，字典D由所有未经 遮挡的训练样本构成，每个字典D中的列包含单位12标准，定义y=Da，a为编码向量，联的子编码向量； 步骤5 :将字典D(t)中的类按照待测图像y与该类样本笑之间的残差ri(y)由小到 大排序，保留排序后的前RtX100%类，删除剩余的对象：D(t+1) =Rt (D(t)) ;Rt为保留系数，更 新稀疏编码系数=札(句，这是一个新的向量，它的编码参数是在在中与剩余类有 关的参数； 步骤6 :重复步骤2至5,直到收敛条件满足，或达到迭代最大值；其中，收敛条件为： 其中W(t)是第t步的权重矩阵，Sw是一个正的标量；若满足收敛条件，或迭代达到 最大值，则结束迭代，转到步骤7输出结果，否则回到步骤2继续迭代； 步骤 7 :输出结果identity(y) =argmiriiri(y)〇 本专利技术进一步的改进在于，步骤5中，在第t步迭代中，字典的保留系数Rt定义 为： 其中，保留系数Rt附带固定比例或中位比例；在第t步之后，只有RtX100%的字 典样本被保留下来应用于下一步，保留系数Rt用来减少字典的规模，剔除对编码贡献较小 的对象，来减少总体的计算开销，同时保证完备字典的属性不受影响。 与现有技术相比，本专利技术具有以下有益的技术效果： 本专利技术公开的面向具有遮挡的鲁棒性人脸识别算法（iRSC算法），RSC的对异常和 大面积遮挡的鲁棒性被很好地保留。iRSC算法拥有高识别率和低计算开销。随着iRSC算 法中的每一步迭代，字典的规模逐步减少，计算的复杂度也大幅地减少，它的平均运行时间 只有RSC的16%。在这个过程中，完备字典的特征未被影响，因此，iRSC算法可以获得与 RSC相同的识别成功率。基于AR人脸数据库的实验表明iRSC算法有着比SRC和RSC更好 的综合表现。【附图说明】： 图1为本专利技术的算法流程图；图2(a)为基于AR数据库的字典下降曲线，图2(b)为RSC与iRSC的收敛曲线； 图3(a)为6个具有面部表情变化的训练样本图，图3(b)为2个在AR数据库中的 具有中立的表情的测试样本图； 图4(a)至（d)分别为具有最大编码参数的训练样本以及残差最小值和RSC与 iRSC的最终权重图； 图5 (a)至（d)分别为稀疏编码的测试样本和每一个分类的RSC残差以及iRSC的 结果图。【具体实施方式】： 为了使本专利技术的技术方案与优点更加清楚明白，以下结合附图及具体的实施例， 对本专利技术的改进的鲁棒稀疏编码方法进行进一步的详细说明。应注意的是，描述的内容只 是用来解释说明本专利技术的技术方案，并不局限于这一种实施例。 本专利技术涉及的技术主要解决人脸识别中具有真实遮挡和掩盖时鲁棒性较差和迭 代计算开销较大的问题。具体方法，包括以下步骤： 步骤1 :输入具有12标准的标准化待测图像y及字典D ;其中，所有未经遮挡 的训练样本被用来构成一个完备字典D，每个字典D中的列包含单位1当前第1页1 2 本文档来自技高网...
【技术保护点】
一种面向人脸识别的改进鲁棒稀疏编码算法，其特征在于，包括以下步骤：步骤1：输入具有l2标准的标准化待测图像y及字典D；其中，字典D由所有未经遮挡的训练样本构成，每个字典D中的列包含单位l2标准，定义y＝Dα，α为编码向量，初始化迭代，第1步迭代的字典D(1)＝D，第1步迭代的编码向量系数步骤2：在第t步迭代中，计算标准化待测图像y与其稀疏编码值的残差e(t)＝y‑D(t)α(t)，在RSC模型中，计算标准化待测图像y的RSC模型加权对角矩阵W(t)，其中给标准化待测图像y的第i个像素分配的权重被定义为其中为第i个像素的待测图像y与其稀疏编码值的残差，μ和θ是RSC残差分布函数中的参数，RSC残差分布函数为ρθ(e)=-12μ(ln(1+exp(-μe2+μδ))-ln(1+expμδ)),,]]>其中ρθ(e)＝‑lnfθ(e)，，fθ(e)为e的概率密度函数，θ表示描述分布的未知参数集，μ和δ是正的标量，μ控制RSC残差分布函数从1至0的下降速率，δ控制分界点的位置；步骤3：解l1标准最小化问题：α^=arg minα{||(W(t))12(y-D(t)α)||22+λ||α||1},]]>其中为稀疏系数，为l2标准，‖·‖1为l1标准，λ为RSC模型中的正规化参数；步骤4：计算标准化待测图像y与第i类样本之间的残差：其中是与第i类关联的字典子集，是与第i类关联的子编码向量；步骤5：将字典D(t)中的类按照待测图像y与该类样本之间的残差ri(y)由小到大排序，保留排序后的前Rt×100％类，删除剩余的对象：D(t+1)＝Rt(D(t))；Rt为保留系数，更新稀疏编码系数：这是一个新的向量，它的编码参数是在中与剩余类有关的参数；步骤6：重复步骤2至5，直到收敛条件满足，或达到迭代最大值；其中，收敛条件为：‖W(t+1)‑W(t)‖2/‖(t)‖2＜δW其中W(t)是第t步的权重矩阵，δW是一个正的标量；若满足收敛条件，或迭代达到最大值，则结束迭代，转到步骤7输出结果，否则回到步骤2继续迭代；步骤7：输出结果identity(y)＝arg miniri(y)。...
【技术特征摘要】
【专利技术属性】
技术研发人员：钟德星，孙浩天，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。