基于区域稀疏的人脸族群识别算法制造技术

本发明专利技术公开了基于区域稀疏的人脸族群识别算法，该算法首先从原始训练样本中提取样本的T区域，接着设计了基于k近邻区域稀疏描述的人脸族群识别算法模型，最后将提取的训练样本与测试样本T区域输入到算法中，充分利用了样本的局部特征。该算法不仅减小了运算量，还极大的提升了分类识别效果。实验结果表明本发明专利技术提出的在L2范数和T区域中采用多族群区域稀疏的识别方法是有效的。

【技术实现步骤摘要】
基于区域稀疏的人脸族群识别算法
本专利技术涉及一种稀疏表示的分类算法，具体说是一种用于民族人脸种群识别的基于K近邻区域快速稀疏表示分类算法，属于人脸识别领域。
技术介绍
近年来，人脸的族群分析与识别成为人脸识别领域热点之一。国内外许多学者从几何特征、肤色特征、整体特征、局部特征以及组合特征等不同途径对人脸族群特征开展了研究工作.在过去的很长时间内，稀疏表示最初是被用来解决诸多信号处理领域的问题，比如图像去噪、图像压缩和图像恢复等，近年来经过广大研究者的探索，发现稀疏表示在人脸识别、表情和年龄识别方面都具有较好的应用。在我国这样一个多民族的国家，对于不同民族人脸特征的研究，不仅能够很好的认识不同民族繁衍和进化的过程，更能够将不同民族的人脸特征通过技术手段保存起来，为民族学、人类学将来相关研究留下一笔宝贵的财富。人脸民族识别同时也能够扩充和丰富现在的人脸检测和人脸识别领域。人脸的稀疏表示是基于光照模型。即一张人脸图像，可以用数据库中同一个人所有的人脸图像的线性组合表示。而对于数据库中其它人的脸，其线性组合的系数理论上为零。由于数据库中一般有很多个不同的人脸的多张图像，如果把数据库中所有的图像的线性组合来表示这张给定的测试人脸，其系数向量是稀疏的。因为除了这张和同一个人的人脸的图像组合系数不为零外，其它的系数都为零。如何定义图像的稀疏表示,就是对这个图像采用基于稀疏性的最逼近的表示,同时保证其简约性。稀疏表示具有判别性,意味着其可以选择最为稀疏的一种表示系数来很好的表达原始图像,正是因为这个特性,在人脸识别领域,稀疏表示的应用非常成功。在基于稀疏表示的分类方法中,我们从训练样本集中通过学习得到一个过完备字典,训练样本即该字典中的原子,同一个线性子空间中包含某一类别的所有训练样本。稀疏表示的目的是想让某类的测试样本只由与其同类的训练样本来线性表示,换言之就是在稀疏表示的系数矩阵中,只有与测试样本同类别的训练样本的表示系数不为零,其他均为零。传统的人脸的稀疏表示是指直接将测试样本整体特征为所有训练样本的线性组合，并依据每一类别的所有训练样本的加权和测试样本间的差异的大小，对测试样本分类的方法.具体方法如下。给定样本数据集z,其中训练样本共有k类,并且第i类样本的数量为ni,定义zij∈Rm任表示属于第i类样本集的第j个样本,特征向量的维数为m,则所有的第i类样本可以表示为：将所有K类的样本集Ai组合起来，得到字典矩阵A：A＝[A1,A2,...,AK]∈Rm×n测试样本y可以用字典矩阵A线性表示为：y＝Ax∈Rm上式中是系数向量。要想达到稀疏表示的效果,系数向量要满足这样的条件,即除了与测试样本同类别的训练样本所对应的系数不为零之外,其余项均为零。因此我们只需要求解出线性方程组y＝Ax的系数,就可以判断出测试样本的所属类别。通过添加约束条件,将该稀疏表示问题转化为求解L0范数最小化问题,就可以获得最具稀疏性的系数解。但是通过大量学者的研究我们可以得知,上述优化问题是一个经典的难题,并不能轻易的求得稀疏解。而根据压缩感知理论,可以用范数最小化问题来代替求解上述优化问题,当然前提是要满足系数足够稀疏的条件,此时公式的求解可以转化为如下公式：上式是一个标准的凸优化求解问题,在实际操作中,都是转化为下式的形式来求解,其中ε是允许存在的误差：在判定测试样本的类别时,假定对于不同的样本类别i,存在映射关系δi：其中δi是表示系数x中第i类的表示系数,测试样本只采用第i类的表示系数来近似表示为yi：yi＝Aδi(x)这样一来我们就可以得到逼近残差ri(y),也即所谓的用来衡量对测试样本的稀疏逼近程度的重构误差,由如下公式可以求得：ri(y)＝||y-Aδi(x)||2重构误差的值越小的类别,就表明该类别的样本与测试样本越相似,因为重构误差的大小代表的就是对测试样本逼近程度的大小,所以判定具有最小重构误差的类别即为测试样本的类别,具体表达如下公式所示：对于上述传统的算法来说,样本的局部性相较于其稀疏性一样是极其重要的,局部特征是一种非常有用的特征信息,而在经典的算法中,使用的是样本的全局特征,并没有充分利用样本的局部特征。同时传统的算法存在一个潜在的问题,由于训练字典中包含了大量的不同类别的训练样本,测试样本就可能会由来自不同类别的测试样本表示得到,对于算法的分类识别效果自然会产生较大影响。所以在使用算法进行分类识别时,需要充分考虑样本的局部特征和训练字典的分块结构性。
技术实现思路
为解决现有技术存在的上述问题，本申请提供一基于区域稀疏的人脸族群识别算法，充分利用了样本的局部特征，该算法不仅减小了运算量，还极大的提升了分类识别效果。为实现上述目的，一种基于区域稀疏的人脸族群识别算法，具体包括以下步骤：步骤1，对全部人脸几何组合特征进行筛选，筛选出T区域可以更好的表达人脸族群特征；步骤2，分别提取原始样本集中训练样本和测试样本图像的T区域；步骤3，构建基于k近邻区域稀疏描述的人脸族群识别算法模型；步骤4，将步骤2中的训练样本和测试样本的T区域输入到步骤3中的人脸族群识别算法模型中，根据模型的输出，得到测试样本的分类结果。进一步的，步骤1中对人脸几何组合特征的筛选是基于互信息的最大统计依赖准则，通过最大化特征与分类变量之间的相关性以及最小化特征与特征之间的相关性来找出含有m{xi}个特征的特征子集S；定义最大相关性为：xi为第i个特征，c为类别变量，s为特征子集；定义最小冗余性为：给定两个随机变量x和y，设它们的概率密度分别为p(x)、p(y)和p(x,y)，它们之间的互信息为：人脸特征点子集可由下面公式求得：通过上述公式，并利用mRMR从77个特征点包含的2926个特征中筛选出195个长度特征信息，其中权重最高区域为鼻部、眼部和眼眉组成的“T”形区域。进一步的，步骤2中对原始样本集中训练样本和测试样本图像的T区域的提取方法包括以下步骤：步骤21，通过人眼检测方法得到双眼的坐标,将双眼坐标分别用E1和Er表示；步骤22，使双眼保持在同一水平线,将图像进行旋转,使两眼坐标E1和Er的连线E1r与水平方向平行；步骤23，根据指定双眼距离、人脸图和T区域对人脸图像进行切割；步骤24，将切割后得到的图像,缩放到指定像素大小。进一步的，步骤3中构建基于k近邻区域稀疏描述的人脸族群识别算法模型包括以下步骤：步骤31，假设有c类样本，矩阵Ai表示第i类的所有训练样本，即：其中Mi是第i类的所有训练样本；矩阵A表示所有训练样本集合即：A＝[A1,A2,...,Ac]∈RN×M其中A是所有训练样本组成的矩阵，y为测试样本，y∈RN，y用所有训练样本的“稀疏”线性组合表示，即y＝Aω，其中ω为稀疏系数；步骤32，把训练样本矩阵A中得向量规范成基于L2范数的单位向量；步骤33，求解L2范数:且满足Aω＝y，其中||||2表示L2范数，即一个向量中非零元的个数，为稀疏解；步骤34,，计算误差其中为步骤33求得的稀疏解，c为样本数量，y为测试样本；步骤35，输出y的类别：进一步的，在近邻分类算法中，对于预测的数据，将其与训练样本进行比较，找到最为相似的K个训练样本，并以这K个训练样本中出现最多的标签作为最终的预测标签；具体步骤如下：步骤1，初始化距本文档来自技高网...

【技术保护点】
1.一种基于区域稀疏的人脸族群识别算法，其特征在于，具体包括以下步骤：步骤1，对全部人脸几何组合特征进行筛选，筛选出T区域；步骤2，分别提取原始样本集中训练样本和测试样本图像的T区域；步骤3，构建基于k近邻区域稀疏描述的人脸族群识别算法模型；步骤4，将步骤2中的训练样本和测试样本的T区域输入到步骤3中的人脸族群识别算法模型中，根据模型的输出，得到测试样本的分类结果。

【技术特征摘要】
1.一种基于区域稀疏的人脸族群识别算法，其特征在于，具体包括以下步骤：步骤1，对全部人脸几何组合特征进行筛选，筛选出T区域；步骤2，分别提取原始样本集中训练样本和测试样本图像的T区域；步骤3，构建基于k近邻区域稀疏描述的人脸族群识别算法模型；步骤4，将步骤2中的训练样本和测试样本的T区域输入到步骤3中的人脸族群识别算法模型中，根据模型的输出，得到测试样本的分类结果。2.根据权利要求1所述基于区域稀疏的人脸族群识别算法，其特征在于，其特征在于，步骤1中对人脸几何组合特征的筛选是基于互信息的最大统计依赖准则，通过最大化特征与分类变量之间的相关性以及最小化特征与特征之间的相关性来找出含有m{xi}个特征的特征子集S；定义最大相关性为：xi为第i个特征，c为类别变量，s为特征子集；定义最小冗余性为：给定两个随机变量x和y，设它们的概率密度分别为p(x)、p(y)和p(x,y)，它们之间的互信息为：人脸特征点子集可由下面公式求得：通过上述公式，筛选出特征信息，其中权重最高区域为鼻部、眼部和眼眉组成的“T”形区域。3.根据权利要求2所述基于区域稀疏的人脸族群识别算法，其特征在于，步骤2中对原始样本集中训练样本和测试样本图像的T区域的提取方法包括以下步骤：步骤21，通过人眼检测方法得到双眼的坐标,将双眼坐标分别用E1和Er表示；步骤22，使双眼保持在同一水平线,将图像进行旋转,使两眼坐标E1和Er的连线E1r与水平方向平行；步骤23，根据指定双眼距离、人脸图和T区域对人脸图像进行切割；步骤24，将切割后得到的图像,缩放到指定像素大小。...

【专利技术属性】
技术研发人员：王存睿，刘宇，周未，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：辽宁,21