一种基于词袋模型的单样本人脸识别方法技术
A single sample face recognition method based on word bag model
The invention discloses a single sample face recognition method based on the word bag model, and uses the word bag model to extract the middle semantic features to reduce the \semantic gap\ in the case of single sample. The method first divides the face into multiple sub blocks, then extracts the SIFT features of all subblocks, clusters all the SIFT features of the subblocks, and constructs a visual word dictionary, and proposes a multi stage based on the visual word dictionary.
【技术实现步骤摘要】
一种基于词袋模型的单样本人脸识别方法
本专利技术涉及单样本人脸识别方法，具体涉及每个待识别对象仅有一幅训练图像的基于词袋模型的单样本人脸识别方法，属于人脸识别
技术介绍
经过近五十年的发展，人脸自动识别技术已经取得了长足的进展，可控条件下的人脸识别技术已经取得令人满意的性能。然而在非可控条件下，由于受光照、表情、姿态、噪声、遮挡等因素的影响，人脸识别技术的精度急剧下降，远远不能满足应用需求。解决这些问题的最直接方法就是增加训练样本，但在实际应用中如身份证识别、护照识别、司法确认、准入控制等诸多实际应用中，通常只有一个训练样本可被获取，这种情况下的人脸识别问题被称之为单样本人脸识别问题(singlesampleperperson，SSPP)，其进一步加剧了非可控条件下人脸识别的难度。单样本人脸识别的难点在于很难区分不同人脸之间本质变化和光照、表情、遮挡所导致的变化，也就是说人脸特征与其身份之间存在语义鸿沟。近年来词袋模型在图像分类任务中的优异性能引起了学者们的广泛研究兴趣，并且将这种模型引入到人脸识别研究领域。例如Li等人(Z.S.Li,J.I.Imai,...
【技术保护点】
一种基于词袋模型的单样本人脸识别方法，其特征在于，包括如下步骤：步骤1，将每个训练人脸图像划分为一系列的子块，并对每个子块提取SIFT局部特征，获得所有训练人脸图像的SIFT局部特征集合X∈R
【技术特征摘要】
1.一种基于词袋模型的单样本人脸识别方法，其特征在于，包括如下步骤：步骤1，将每个训练人脸图像划分为一系列的子块，并对每个子块提取SIFT局部特征，获得所有训练人脸图像的SIFT局部特征集合X∈RD×N，其中，D为SIFT局部特征的维数，N为所有训练人脸图像SIFT局部特征的总数；步骤2，随机选择所有训练人脸图像的SIFT局部特征构成的集合X的子集Xs，对子集Xs做K均值聚类，获得一个视觉单词字典V＝[v1,v2,…,vK]∈RD×K；步骤3，对任意一个人脸图像，按照步骤1中训练人脸图像的划分方式划分子块，并提取子块的SIFT局部特征，构成集合Xr＝{x1,x2,…,xM}∈RD×M，其中，M为一张人脸图像所有子块的个数；基于步骤2获得的视觉单词字典V，对该人脸图像的SIFT局部特征集合Xr中的SIFT局部特征xm进行多阶段k近邻协同表示编码，获得其编码向量cm，m＝1,2,…,M；步骤4，利用空间金字塔模型将步骤3的人脸图像分割为2l×2l个不同尺度下的子块，l＝0,1,…,L，L为大于0的正整数；设定第l层的第H个子块中含有MH个编码向量，对这些编码向量进行最大值池化操作，获得池化后的特征；对空间金字塔模型不同尺度下的所有子块含有的编码向量都进行最大值池化操作，将所有子块池化后的特征合并到一起，得到该人脸图像的人脸特征表示；步骤5，对所有训练人脸图像和所有测试人脸图像都进行步骤3和步骤4的操作，得到所有训练人脸图像的人脸特征表示和所有测试人脸图像的人脸特征表示，利用所有训练人脸图像的人脸特征表示构建基于线性核函数的SVM分类器，采用构建好的SVM分类器对所有测试人脸图像进行识别。2.根据权利要求1所述基于词袋模型的单样本人脸识别方法，其特征在于，步骤3所述基于步骤2获得的视觉单词字典V，对该人脸图像的SIFT局部特征集合Xr中的SIFT局部特征xm进行多阶段k近邻协同表示编码，获得其编码向量cm，具体过程如下：(1)从视觉单词字典V中寻找k个近邻Vk＝[v1,v2,…,vk]∈RD×k，其中，D为SIFT局部特征的维数，k为近邻个数；(2)利用k个近邻Vk＝[v1,v2,…,vk]∈RD×k协同SIFT局部特征xm，根据...
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。