一种快速处理人脸遮挡的人脸识别方法及装置制造方法及图纸

本发明专利技术公开了一种快速处理人脸遮挡的人脸识别方法及装置，该方法包括：获取测试人脸样本及标准化学习字典；利用带局部约束的目标函数求出所述测试人脸样本未遮挡部分的局部约束编码，利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新，直至检测完成；利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达；逐类生成每类对应的重构人脸，求出每类重构人脸与所述测试人脸样本之间的重构误差；查找具有最小重构误差对应的类，将其确定为所述测试人脸样本的类别并将其输出。本发明专利技术能够处理识别带遮挡或受噪声污染的人脸，在保证高识别成功率的前提下有较快的识别速度，从而更好地进行人脸识别，更适用于实际场景。

Face recognition method and device for quickly processing face occlusion

The invention discloses a device and a face recognition method for fast processing of face block, the method includes: obtaining the test face samples and standardized learning dictionary; using the objective function with local constraints for the test face samples unshielede local constraint encoding part, using Markov random field to the test sample face occlusion regional modeling and iterative update, until the completion of the acquisition of detection; face test samples using the objective function with L2 norm constrained non occluded area of sparse expression; gradually generated face each kind of correspondence, for each type of face reconstruction and the reconstruction error between the face sample test; search with minimum reconstruction error the corresponding class, which is identified as the test sample face categories and its output. The invention can identify the face with the occlusion or noise pollution, and has a faster recognition speed under the premise of ensuring high recognition success rate.

【技术实现步骤摘要】

本专利技术涉及计算机视觉和模式识别
，具体涉及一种快速处理人脸遮挡的人脸识别方法及装置。
技术介绍
目前来说，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，而遮挡问题由于其多样性，成为人脸识别领域中的一个重点和难点问题。JohnWright等人在2009年提出了稀疏表示分类器方法(SparseRepresentation-basedclassification,简称SRC)，这种方法认为：每一个测试人脸图像都可以通过训练样本集中相同类别的人脸图像的线性组合来表示。因此，理想情况下，其他类别的训练样本对应的编码系数为零，而与测试人脸样本类别相同的训练样本对应的编码系数不为零，这体现出一种稀疏性，而这种编码系数也可称为测试人脸图像的稀疏表示。SRC具体的步骤是：(1)以所有类别的训练样本图像作为学习字典(2)通过解决l1最小化问题得到测试人脸图像在整个学习字典上的稀疏系数(3)利用每类对应的稀疏系数逐类生成该类的重构图像，并求出每类的重构误差(4)选择具有最小重构误差的类作为最终的结果，完成测试人脸图像的识别。然而，在解决遮挡问题的时候，SRC需要引入一个单位矩阵来构建一个新的字典，然后求出测试人脸样本在新字典上的稀疏系数。这么做存在两个问题：(1)新的字典列数很大，要求解测试人脸图像在这个新字典上的稀疏系数十分耗时(2)这种做法不能很好地解决连续遮挡问题。随后ZihanZhou等人提出了基于马尔可夫随机场的处理连续遮挡的方法(SparseErrorCorrectionwithMRF,简称SEC_MRF)，相比于SRC，SEC_MRF在处理噪声污染和连续遮挡方面都取得了很好的效果。然而，SEC_MRF的运算复杂度很大，它需要对每一类样本都迭代地解决l1范数最小化问题，因此运算速度比较慢，不适用于实时场景。
技术实现思路
本专利技术的第一个目的在于克服现有技术的缺点与不足，提供一种快速处理人脸遮挡的人脸识别方法，该人脸识别方法在识别带遮挡或受噪声污染的人脸时，在保证高识别成功率的前提下有较快的识别速度，从而更好地进行人脸识别，更加适用于实际场景。本专利技术的另一个目的在于克服现有技术的缺点与不足，提供一种快速处理人脸遮挡的人脸识别装置。本专利技术的第一个目的通过以下技术方案实现：一种快速处理人脸遮挡的人脸识别方法，所述人脸识别方法包括下列步骤：获取测试人脸样本及标准化学习字典；利用带局部约束的目标函数求出所述测试人脸样本中未遮挡部分的局部约束编码，利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新，直至最终检测完成；利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达；逐类生成每类对应的重构人脸，求出每类重构人脸与所述测试人脸样本之间的重构误差；查找具有最小重构误差对应的类，将其确定为所述测试人脸样本的类别并将其输出。进一步地，所述标准化学习字典的获取过程，具体包括：建立训练人脸样本集；利用所述训练人脸样本集构造过完备学习字典；将所述过完备学习字典中每一个训练样本标准化；将所述标准化后的过完备学习字典以及每个训练样本图像的已知类别进行存储。进一步地，所述利用带局部约束的目标函数求出所述测试人脸样本未遮挡部分的局部约束编码，利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新，直至最终检测完成，具体包括：假设标签向量为s的每一个元素标识对应像素是否为遮挡区域的像素，其中s[j]＝0表示j元素是遮挡区域像素，而s[j]＝1表示j元素是未遮挡区域像素，s的所有元素均初始化为1；根据目前的区域标定，通过下式将标准化学习字典中的未遮挡区域以及测试人脸样本图像的未遮挡区域提取出来：A*＝A[st-1＝1,:],y*＝y[st-1＝1]式中，A*表示标准化学习字典的未遮挡区域，y*表示测试人脸样本的未遮挡区域，st-1＝1表示取目前标签向量中值为1的像素点，即取目前检测出的未遮挡区域；利用下式计算测试人脸样本的未遮挡区域与标准化学习字典的未遮挡区域之间的相似度，并生成距离字典式中，Ai*表示第i类训练样本图像组成的子字典的未遮挡区域，y*表示测试人脸样本的未遮挡区域，表示求y*和A*之间的欧式距离，σ是一个常数，用来控制权重衰减速度；对编码系数施加局部约束，通过求解下式中带局部约束的目标函数来获得测试人脸样本的未遮挡部分的编码系数，所述带局部约束的目标函数如下：式中，||·||2表示向量的l2范数，A*表示标准化学习字典的未遮挡区域，y*表示测试人脸样本的未遮挡区域，x表示编码系数，D表示距离字典，λ是一个平衡前后两项的正数；根据求得的编码系数和标准化学习字典进行重构，求出对应重构图像与之间的重构误差：式中，A表示标准化学习字典，y表示测试人脸样本，x表示编码系数，表示重构误差；对标签向量s建立马尔可夫随机场模型，利用图切算法求解下式中的目标函数，更新标签向量s：其中，的取值如下式所述：式中，s[i]是第i个像素的标签值，是第i个像素的重构误差值，μ是一个常数，控制不同像素之间相互作用的强度，τ是一个阈值；迭代执行上述步骤，直至算法收敛或达到最大收敛次数，此时测试人脸样本合理的带遮挡区域已被检测出来。进一步地，所述带局部约束的目标函数具有解析解，其求解过程具体包括：求出数据协方差矩阵：S＝(A*T-1y*T)(A*T-1y*T)T式中，S表示协方差矩阵，A*表示标准化学习字典的未遮挡区域，y*表示测试人脸样本的未遮挡区域，1向量表示元素值全为1的向量，假设未遮挡区域像素数量为p，则求出编码系数x：x＝(S+λdiag(D)2)\\1式中，S表示协方差矩阵，λ是上式目标函数中平衡前后两项的正数，diag(D)是对角线元素为D中元素的对角矩阵，1向量表示元素值全为1的向量，a\\b表示矩阵a的逆乘以矩阵b；对编码系数x进行归一化，得到归一化的编码系数式中，x表示编码系数，1向量表示元素值全为1的向量，a/b表示矩阵a乘以矩阵b的逆。进一步地，所述带局部约束的目标函数可简化成下式：式中，B＝A*(:,id)，id是距离字典中最小的元素对应的索引，A*表示标准化学习字典的未遮挡区域。进一步地，所述利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达，具体为：采用解l2约束最小化的方法，通过求解下式中带l2范数约束的目标函数对所述测试人脸样本的未遮挡区域部分进行l2稀疏编码：式中，||·||2表示向量的l2范数，x表示稀疏编码系数，argminx||x||2表示取使x的l2范数最小对应的x，y*表示测试人脸样本的未遮挡区域，A*表示标准化学习字典的未遮挡区域，θ是一个平衡前后两项的正数。进一步地，所述带l2范数约束的目标函数具有解析解，其求解过程具体包括：求出投影矩阵P：式中，A*表示标准化学习字典的未遮挡区域，I矩阵是单位矩阵，(·)-1表示取逆操作，θ是S109所述目标函数中平衡前后两项的正数；求出l2稀疏编码：式中，表示l2稀疏编码系数，y*表示测试人脸样本的未遮挡区域。进一步地，所述逐类生成每类对应的重构人脸，求出每类重构人脸与所述测试人脸样本之间的重构误差，具体为：利用求解出的l2稀疏编码系数，逐类求出该类对应的重构人脸以及重构人脸与原测试人脸样本之间的重构误本文档来自技高网...

【技术保护点】
一种快速处理人脸遮挡的人脸识别方法，其特征在于，所述人脸识别方法包括下列步骤：获取测试人脸样本及标准化学习字典；利用带局部约束的目标函数求出所述测试人脸样本中未遮挡部分的局部约束编码，利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新，直至最终检测完成；利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达；逐类生成每类对应的重构人脸，求出每类重构人脸与所述测试人脸样本之间的重构误差；查找具有最小重构误差对应的类，将其确定为所述测试人脸样本的类别并将其输出。

【技术特征摘要】
1.一种快速处理人脸遮挡的人脸识别方法，其特征在于，所述人脸识别方法包括下列步骤：获取测试人脸样本及标准化学习字典；利用带局部约束的目标函数求出所述测试人脸样本中未遮挡部分的局部约束编码，利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新，直至最终检测完成；利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达；逐类生成每类对应的重构人脸，求出每类重构人脸与所述测试人脸样本之间的重构误差；查找具有最小重构误差对应的类，将其确定为所述测试人脸样本的类别并将其输出。2.根据权利要求1所述的一种快速处理人脸遮挡的人脸识别方法，其特征在于，所述标准化学习字典的获取过程，具体包括：建立训练人脸样本集；利用所述训练人脸样本集构造过完备学习字典；将所述过完备学习字典中每一个训练样本标准化；将所述标准化后的过完备学习字典以及每个训练样本图像的已知类别进行存储。3.根据权利要求1所述的一种快速处理人脸遮挡的人脸识别方法，其特征在于，所述利用带局部约束的目标函数求出所述测试人脸样本未遮挡部分的局部约束编码，利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新，直至最终检测完成，具体包括：假设标签向量为s的每一个元素标识对应像素是否为遮挡区域的像素，其中s[j]＝0表示j元素是遮挡区域像素，而s[j]＝1表示j元素是未遮挡区域像素，s的所有元素均初始化为1；根据目前的区域标定，通过下式将标准化学习字典中的未遮挡区域...

【专利技术属性】
技术研发人员：傅予力，吴小思，张隆琴，黄志建，向友君，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44