【技术实现步骤摘要】
一种基于多流形耦合映射的低分辨人脸识别方法
本专利技术属于人脸识别方法
，涉及一种基于多流形耦合映射的低分辨人脸识别方法。
技术介绍
人脸识别是计算机视觉领域最重要的研究课题之一。目前，在受控条件下的高分辨(High-Resolution，简称HR)人脸识别方法已趋于成熟，在很多生产实践中开始大范围推广应用。然而，在实际的非受控条件下，受姿态、光照、表情、遮挡和分辨率等不利因素的影响，人脸识别系统的性能急剧下降，无法满足实际应用要求。因此，研究低分辨率(Low-Resolution，简称LR)人脸的识别技术受到研究者的广泛关注。在过去几十年，人们提出了许多不同的低分辨人脸识别方法。根据识别原理的不同，大体可以分为三种类型：基于重构超分辨(Super-Resolution，简称SR)图像的LR人脸识别方法、基于公共特征子空间的LR人脸识别方法和基于深度学习的LR人脸识别方法。基于重构SR图像的LR人脸识别方法发展迅速，该类方法主要利用图像SR重建技术，获得视觉效果较好的HR人脸图像实现人脸的相似性匹配。尽...
【技术保护点】
1.一种基于多流形耦合映射的低分辨人脸识别方法，其特征在于，具体按照以下步骤实施：/n步骤1，从标准人脸数据库中选取N幅HR人脸图像构成HR图像集，从中随机选取N
【技术特征摘要】
1.一种基于多流形耦合映射的低分辨人脸识别方法，其特征在于，具体按照以下步骤实施：
步骤1，从标准人脸数据库中选取N幅HR人脸图像构成HR图像集，从中随机选取Nt幅包含每个人的一半人脸图像作为HR训练集，对HR训练集经过平滑下采样，生成LR训练集，以及构造训练人脸图像样本的类别标签，其中，
步骤2，基于耦合映射学习方法，同时将HR训练集和LR训练集中的人脸图像映射到公共特征子空间，得到基于耦合映射的公式并进行矩阵化；
步骤3，在步骤2经过矩阵化的公式中加入样本的局部几何结构信息和判别信息，并求解HR耦合映射矩阵PH和LR耦合映射矩阵PL；
步骤4，对HR图像集中的另一半人脸图像经过平滑下采样，生成LR测试集，测试集图像总幅数为Np，
步骤5，将HR图像集和LR测试集变换到公共特征子空间，得到HR-LR人脸映射特征和
步骤6，应用最近邻分类器对投影在公共特征子空间内的HR-LR人脸映射特征进行分类，得到人脸映射特征的类别标签。
2.根据权利要求1所述的一种基于多流形耦合映射的低分辨人脸识别方法，其特征在于，所述步骤1具体为：从标准人脸数据库中选取N幅HR人脸图像构成HR图像集从HR图像集中随机选取包含每个人的一半人脸图像作为HR训练集：对HR训练集经过平滑下采样，生成LR训练集：其中表示第i幅低分辨人脸图像，表示第i幅高分辨人脸图像，表示训练集图像的总幅数；
训练人脸图像样本的类别标签为：
3.根据权利要求2所述的一种基于多流形耦合映射的低分辨人脸识别方法，其特征在于，所述标准人脸数据库包括FERET和CMUPIE人脸库，所述对HR训练集经过平滑下采样，生成LR训练集具体为：对高分辨率的FERET和CMUPIE人脸库，其分辨率分别为：FERET人脸库分辨率为72×72，CMUPIE人脸库分辨率为32×28，对FERET人脸库进行4倍和9倍，对CMUPIE人脸库进行2倍和4倍平滑采样后，生成的LR训练集中FERET人脸库分辨率为18×18和8×8，CMUPIE人脸库分辨率为16×14和8×7。
4.根据权利要求2所述的一种基于多流形耦合映射的低分辨人脸识别方法，其特征在于，所述步骤2具体为：
步骤2.1，基于耦合映射学习方法，同时将HR训练集和LR训练集中的人脸图像映射到公共特征子空间，表述为：其中HR特征向量：对应LR特征向量：fH表示HR人脸图像到公共特征子空间的映射函数，相应的fL表示LR人脸图像到公共特征子空间的映射函数，d表示公共特征子空间的维度；
步骤2.2，设fH(x)＝PHTx和fL(x)＝PLTx，对步骤2.1的公式进行矩阵化表达，表示为：其中PH为HR耦合映射矩阵和PL为LR耦合映射矩阵。
5.根据权利要求4所述的一种基于多流形耦合映射的低分辨人脸识别方法，其特征在于，所述步骤3具体为：
步骤3.1，在步骤2经过矩阵化的公式中...
【专利技术属性】
技术研发人员：张凯兵，郑冬冬，李敏奇，景军锋，
申请(专利权)人：西安工程大学，
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。