复杂环境下基于低秩分解和辅助字典的人脸识别方法技术

本发明专利技术公开一种复杂环境下基于低秩分解和辅助字典的人脸识别方法。本发明专利技术步骤如下：1.通过非凸稳健主成分分析法对输入人脸图片进行低秩分解，求解基于范数的目标函数，得到初步去除复杂环境影响的低秩内容；2.基于核范数的去相关性低秩分解：在目标函数中添加去除类间相关性的正则项，并将上一步骤获得的低秩内容进行奇异值分解后用作初始化矩阵，通过ADMM算法交替迭代求解得到用于识别的低秩字典。3.基于辅助字典学习的分类识别：获得模拟复杂环境变化的辅助字典，并通过与低秩字典联立使用，通过RADL进行人脸分类识别。本发明专利技术使用到的低秩分解目标函数能够充分去除干扰信息，使分解后的人脸图像更具有身份识别能力和抗环境干扰性。

【技术实现步骤摘要】
复杂环境下基于低秩分解和辅助字典的人脸识别方法
本专利技术属于计算机图像处理
，涉及一种复杂环境下基于低秩分解和辅助字典的人脸识别方法。
技术介绍
人脸图片总是包含着丰富的面部信息，近几年来，对于人脸图片的处理和研究也涵盖应用生活的方方面面。在人工智能、模式识别和图像处理等领域，人脸识别占据一席之地，是经典算法和先进技术的研究热点。目前许多人脸识别的研究方法均是在无遮挡或无光照变化等良好的环境条件下进行。在真实环境中，我们常常要对有遮挡、噪声和光照、表情等变化的人脸图片进行处理。因此，当处理在复杂环境下采集的数据时，许多人脸识别技术的鲁棒性和识别率就会有所下降。在当前的机器学习和数据挖掘等应用中，人脸识别多采用在姿态、表情和光照等变化下提取面部的有鉴别性的特征来训练分类器并进行识别分类。为了达到这一目的，许多高效的子空间分析算法被提出，例如Eigenfaces、Fisherfaces、Laplacianfaces等等，这些经典算法都能够在人脸识别领域取得较好的识别效果。许多特征提取方法被用于提取人脸面部特征，其中局部二值模式(LBP)、小波变换(Gabor)以及空间金字塔匹配(SPM)等算法为代表进行面部特征描述。在上述提到的算法中，许多算法对于数据中的变化、污染和噪声等干扰不具有鲁棒性，容易受到噪声的影响。本专利技术旨在克服复杂环境变化和训练样本不足等两个方面问题，提出了在污染环境下具有高效性和鲁棒性的人脸识别方法。
技术实现思路
本专利技术的目的主要针对当前复杂环境下人脸识别准确率不高、鲁棒性较差、识别速度较慢等不足，提出了具有高识别率、高鲁棒性和高效性的人脸识别方法。本专利技术的人脸识别方法包含更加完备的低秩分解技术、辅助字典学习方法以及分类识别技术。低秩分解技术主要分别使用非凸稳健主成分分析法和基于核范数的去相关性低秩分解方法。去除光照、表情和遮挡等稀疏的干扰内容，进而提取出人脸的中立脸信息。通过低秩分解学习得到一个能够充分表示图像的内在结构信息和本质属性的过完备的字典，并尽可能稀疏的表示数据。本专利技术是基于低秩分解和辅助字典学习的人脸识别方法，其步骤如下：步骤S1：从数据库中选择具有表情变化、光照影响、面部遮挡等情况的人脸图片，通过非凸稳健主成分分析法(nonconvex-RPCA)进行处理，按人脸类别进行第一次低秩内容和稀疏内容的分解。所述的人脸类别是将多张图片中属于同一个人的图片归为一类；步骤S2：在低秩分解中添加正则项，去除不同人脸类别间共同部分如五官等内容的相关性，保留图片内容结构。通过ADMM法求解相应的优化问题，获得用于分类的低秩字典。步骤S3：基于辅助字典学习的分类识别，具体地：挑选外部数据进行辅助字典学习，用于模拟复杂环境的干扰变化。将学习到的辅助字典与低秩字典联立，通过稀疏表示完成分类识别。步骤S1所述的分解步骤如下：复杂环境下的人脸图片包含了如墨镜、围巾等遮挡变化，以及不同角度的光照和表情影响，容易对分类识别造成干扰。第一次低秩分解的分解操作基于γ范数，即对矩阵经过分解的奇异值添加相应γ权值后求和,取γ值为0.01。即将输入的人脸图片分解为取γ范数的保留人脸结构内容等标识性低秩信息的矩阵和取l1范数的保留遮挡、光照等稀疏干扰内容的矩阵。初步获得去除复杂环境的第一次低秩分解矩阵。步骤S2所述的具体步骤如下：不同类别的人脸之间仍具有大量的共同内容，例如眼睛的位置、五官分布等等。为了鲁棒地学习到训练样本中具有判别性且复杂度较低(如低秩性和稀疏性)的人脸内容，并保留不同人脸类别之间的互不相关性。将每一幅输入的人脸图片列向量化获得矩阵X，然后通过映射矩阵Ni分解矩阵X，至由每一个特定类内容的线性正交子空间Mi。目标函数中添加正则项表示映射空间中每类互不相关。将步骤S1中获得的第一次低秩分解矩阵进行奇异值分解操作后，分解得到的矩阵作为初始化值赋与Mi和Ni。通过交替方向乘子法(ADMM)进行迭代优化求解，将每类的重建人脸图片串联获得去除复杂环境影响的重建字典。步骤S3所述的具体步骤如下：为解决可能残留的环境干扰对识别结果造成的影响，选定数据库中未参与训练和测试的其他人脸数据图片作为辅助数据集。将其划分为训练集和测试集，并通过学习得到用于模拟复杂环境的辅助字典。普通的SRC分类是粗糙地采用输入图片数据构造过完备的字典，此时残留的干扰信息将会影响稀疏表示的准确性。因此获取辅助字典后能够帮助充分模拟类间环境变化(如光照、表情、遮挡等)，获取辅助字典后将其与步骤S2中得到的重建字典联立，通过加权重建残差模型分类得到测试图片的识别类别。选用AR人脸数据库和Cohn-Kanade+数据库作为人脸身份学习训练和测试的数据库。步骤S1具体实现如下：采集人脸数据库中的K类人脸图片作为训练数据，将训练数据记为人脸训练矩阵X＝[X1,X2,...,XK]，其中每一类的人脸图片矩阵为列向量化的测试图片选取矩阵范数γ范数，对采集到的人脸训练矩阵X＝[X1,X2,...,XK]使用非凸稳健主成分分析法进行低秩分解；γ范数定义如下：式中，σi(Z)为矩阵Z的奇异值；当γ趋于0时，有当γ趋于无穷大时为核范数，即第一次低秩分解模型为：将人脸训练矩阵X＝[X1,X2,...,XK]分解为低秩内容矩阵Z和相关的稀疏内容矩阵E；根据非凸低秩分解初步获得去除了部分遮挡、光照和表情变化的初始化低秩矩阵；所述的人脸类别是将多张图片中属于同一个人的图片归为一类。步骤S2具体实现如下：设每一类人脸训练矩阵XK中的每一张人脸图片向量化后用表示，x用每一类的内容求和来表示；则x可被表示为式中，假设每一类的qi都分布在同一个线性正交的子空间中，用来表示；同时表示将x投影到mi维空间的映射矩阵；因此可以得到式(4)qi＝MiNix(4)通过最小化||Ni||*的方式将每类内容分解到映射空间Ni；将式(3)、(4)结合，并添加冗余干扰项得到式(5)式(5)可达到分解目的，表示向量[(N1x)T,(N2x)T,...(NKx)T]T是组稀疏的，其中非零项代表了样本x所属的类别；同时，添加正则项用于去除类间共同部分的相关性，则待求解的目标函数如式(6)所示；式中，Xi是向量化后的每类训练数据矩阵，O表示异常数据矩阵，参数λ(i)、η和λ1均大于0，分别用来调节目标函数中三个组成部分的权重；考虑到在第二次低秩分解中，需要同时优化求解Mi和Ni，因此选用交替方向乘子法(ADMM)来求解函数的凸优化问题，则相应地拉格朗日扩展式为式中，Y是拉格朗日乘子，μ＞0为惩罚系数；通过交替方向乘子法来求解上述优化问题，具体实施步骤如下所示：①将从步骤S1中分解得到的低秩内容矩阵Z作为初始化矩阵，对该初始化矩阵做奇异值分解Zi＝UiSViT；②将分解后的矩阵Ui赋值到Mi[0]和Ni[0]：Mi[0]＝Ui，Ni[0]＝UiT；令O[0]，Y[0]为零矩阵，μ[0]＝1/||X||，ρ=1.1，μmax＝1010。③从人脸训练矩阵X＝[X1,X2,…,XK]中选取图片类别Xi；④Mi的优化求解表达式为Ni的优化求解表达式为其中f(Ni)是平滑的二次可微项，因此梯度是利普希茨连续的；因此，式(9)的优化问题可转化为式中，L＞0是的利普希茨连续的上边界；计算有更新O[t+本文档来自技高网...

【技术保护点】
1.复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于包括如下步骤：步骤S1：从数据库中选择具有表情变化、光照影响、面部遮挡等情况的人脸图片，通过非凸稳健主成分分析法进行处理，按人脸类别进行第一次低秩内容和稀疏内容的分解；步骤S2：在低秩分解中添加正则项，去除不同人脸类别间共同部分，保留图片内容结构；通过ADMM法求解相应的优化问题，获得用于分类的低秩字典；步骤S3：基于辅助字典学习的分类识别，具体地：挑选外部数据进行辅助字典学习，用于模拟复杂环境的干扰变化；将学习到的辅助字典与低秩字典联立，通过稀疏表示完成分类识别；步骤S1所述的分解步骤如下：第一次低秩分解的分解操作基于γ范数，即对矩阵经过分解的奇异值添加相应γ权值后求和,取γ值为0.01；初步获得去除复杂环境的第一次低秩分解矩阵；步骤S2所述的具体步骤如下：将每一幅输入的人脸图片列向量化获得矩阵X，然后通过映射矩阵Ni分解矩阵X，至由每一个特定类内容的线性正交子空间Mi；目标函数中添加正则项表示映射空间中每类互不相关；对步骤S1中获得的第一次低秩分解矩阵进行奇异值分解操作，分解得到的矩阵U作为初始化值赋与Mi和Ni；通过交替方向乘子法进行迭代优化求解，将每类的重建人脸图片串联获得去除复杂环境影响的重建字典D；步骤S3所述的具体步骤如下：选定数据库中未参与训练和测试的其他人脸图片作为辅助数据集；将辅助数据集划分为训练集和测试集，并通过学习得到用于模拟复杂环境的辅助字典A；将辅助字典A与步骤S2中得到的重建字典D联立，通过加权重建残差模型分类得到测试图片的识别类别。...

【技术特征摘要】
1.复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于包括如下步骤：步骤S1：从数据库中选择具有表情变化、光照影响、面部遮挡等情况的人脸图片，通过非凸稳健主成分分析法进行处理，按人脸类别进行第一次低秩内容和稀疏内容的分解；步骤S2：在低秩分解中添加正则项，去除不同人脸类别间共同部分，保留图片内容结构；通过ADMM法求解相应的优化问题，获得用于分类的低秩字典；步骤S3：基于辅助字典学习的分类识别，具体地：挑选外部数据进行辅助字典学习，用于模拟复杂环境的干扰变化；将学习到的辅助字典与低秩字典联立，通过稀疏表示完成分类识别；步骤S1所述的分解步骤如下：第一次低秩分解的分解操作基于γ范数，即对矩阵经过分解的奇异值添加相应γ权值后求和,取γ值为0.01；初步获得去除复杂环境的第一次低秩分解矩阵；步骤S2所述的具体步骤如下：将每一幅输入的人脸图片列向量化获得矩阵X，然后通过映射矩阵Ni分解矩阵X，至由每一个特定类内容的线性正交子空间Mi；目标函数中添加正则项表示映射空间中每类互不相关；对步骤S1中获得的第一次低秩分解矩阵进行奇异值分解操作，分解得到的矩阵U作为初始化值赋与Mi和Ni；通过交替方向乘子法进行迭代优化求解，将每类的重建人脸图片串联获得去除复杂环境影响的重建字典D；步骤S3所述的具体步骤如下：选定数据库中未参与训练和测试的其他人脸图片作为辅助数据集；将辅助数据集划分为训练集和测试集，并通过学习得到用于模拟复杂环境的辅助字典A；将辅助字典A与步骤S2中得到的重建字典D联立，通过加权重建残差模型分类得到测试图片的识别类别。2.根据权利要求1所述的复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于选用AR人脸数据库和Cohn-Kanade+数据库作为人脸身份学习训练和测试的数据库。3.根据权利要求2所述的复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于步骤S1，具体实现如下：采集人脸数据库中的K类人脸图片作为训练数据，将训练数据记为人脸训练矩阵X＝[X1,X2,...,XK]，其中每一类的人脸图片矩阵为列向量化的测试图片选取矩阵范数γ范数，对采集到的人脸训练矩阵X＝[X1,X2,...,XK]使用非凸稳健主成分分析法进行低秩分解；γ范数定义如下：式中，σi(Z)为矩阵Z的奇异值；当γ趋于0时，有当γ趋于无穷大时为核范数，即第一次低秩分解模型为：将人脸训练矩阵X＝[X1,X2,...,XK]分解为低秩内容矩阵Z和相关的稀疏内容矩阵E；根据非凸低秩分解初步获得去除了部分遮挡、光照和表情变化的初始化低秩矩阵；所述的人脸类别是将多张图片中属于同一个人的图片归为一类。4.根据权利要求3所述的复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于步骤S2，具体实现如下：设每一类人脸训练矩阵XK中的每一张人脸图片向量化后用表示，x用每一类的内容求和来表示；则x可被表示为式中，假设每一类的qi都分布在同一个线性正交的子空间中，用来表示；同时表示将x投影到mi维空间的映射矩阵；因此可以得到式(4)qi＝MiNix(4)通过最小化||Ni||*的方式将每类内容分解到映射空间Ni；将式(3)、(4)结合，并添加冗余干扰项得到式(...

【专利技术属性】
技术研发人员：付晓峰，张予，付晓鹃，柯进华，徐岗，李建军，程智鑫，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33