一种基于判别低秩回归模型的人脸识别方法技术

本发明专利技术公开了一种基于判别低秩回归模型的人脸识别方法，属于智能信息处理领域。所述方法利用低秩框架，稀疏一致性约束和图嵌入约束来提高人脸识别的准确度。其实现过程为：将图嵌入约束，稀疏一致性约束和标签松弛方法融入到低秩回归框架中，形成新的判别低秩回归模型。新的判别低秩回归模型能有效的挖掘人脸图像间的全局和局部信息，从而提高人脸识别的精度。通过模型的优化求解，获得转换矩阵，利用转换矩阵将原始图像空间转换到具有更强的紧凑性和判别性的图像特征空间，最后利用最近邻分类算法进行人脸识别。与现有技术相比，本发明专利技术提出的人脸识别方法对低分辨率、噪声大等质量低劣的人脸图像的识别鲁棒性更高，且识别精度更高。

A face recognition method based on Discriminant low rank regression model

【技术实现步骤摘要】
一种基于判别低秩回归模型的人脸识别方法
本专利技术涉及一种基于判别低秩回归模型的人脸识别方法，属于智能信息处理领域。
技术介绍
随着国内人脸识别技术水平的不断成熟，它也越来越多的被推广到安防领域，延伸出考勤机、门禁机等多种产品。尽管已有的人脸识别系统在特定约束环境下的识别率令人满意,但在实际环境尤其在视频监控应用中,由于监控对象的不配合，距离监控摄像头较远或者存在遮挡等问题引起图像可用信息有限。另外，由于不同个体的人脸具有一定的相似性和相同个体的人脸存在的易变性，不同场景下的人脸识别存在一定的不稳定性。如由于角度的变化，表情变化，光照条件的复杂变化等，都有可能会导致人脸的部分特征无法正常提取，导致人脸的识别错误，如在寻找失踪儿童、定位罪犯时，可能会出现由于获取的图像信息很有限，而耽误刑侦办案的进度。在考勤系统中，也会出现女性由于化妆等原因而出现刷脸签到不成功的情况。因此提高各种场景下人脸识别的精度有重要的研究意义。人脸识别作为一种友好的生物识别技术得到了广泛应用。人脸识别作为模式识别和图像处理领域成功的应用之一，在过去很长一段时间里一直都是研究热点。从技术角度来讲，人脸识别主要有三大类，即传统的人脸识别方法、基于表示的人脸识别方法和基于深度学习的人脸表示方法。传统的人脸识别方法的性能和理想的识别效果还有很大的差距。基于深度学习的方法面对海量的数据具有较好的识别性能，但在实际应用中遇到小样本的情形时，性能往往会快速下降，甚至无法使用。基于表示的识别方法由于简单高效，从提出一直受到人们的关注。稀疏表示、协同表示、低秩表示是典型的基于表示的识别方法。由于基于表示的方法具有良好的抗噪声、抗遮挡的特性，所以许多的改进模型被提出：Xiang等人提出了判别最小二乘回归算法(DiscriminantLeastSquaresRegression,DLSR)，DLSR利用ε-dragging技术来增大不同类图像的区分度来达到增加判别性，从而提高识别的精度(Xiang,S.,Nie,F.,Meng,G.,Pan,C.,&Zhang,C.(2012).Discriminativeleastsquaresregressionformulticlassclassificationandfeatureselection.IEEETransactionsonNeuralNetworksandLearningSystems,23(11),1738–1754)。这些算法在一定程度上提高了人脸识别的精度，但对于分辨率较低、噪声较大等可用信息有限的人脸图像进行识别时，这些方法的识别性能会受到较大程度的影响。如何对可用信息有限的人脸图像进行有效的识别是人们一直研究的热点。
技术实现思路
针对上述问题，本专利技术提出了一种基于判别低秩回归模型的人脸识别方法。以解决由于角度的变化，表情变化，光照条件等复杂变化引起的低分辨率、噪声大、质量低劣的人脸图像的识别问题。一种人脸识别方法，所述方法通过稀疏一致性约束增大不同类别的人脸图像之间的差异性，同时通过图嵌入约束保持同类别人脸图像之间的近邻关系，并结合松弛标签方法构建得到判别低秩回归模型，在识别过程中将待识别人脸图像输入构建得到的判别低秩回归模型中以实现对待识别人脸图像的人脸识别，得到识别结果。可选的，所述方法中构建得到判别低秩回归模型包括：(1)将训练集的人脸图像转化为列向量，以形成训练图像集矩阵X＝[x1,x2,…,xn]∈Rm×n，其中，n为训练集中图像的个数，m表示图像特征的维度，xi表示第i个人脸图像所转化成的列向量，i＝1,2,...,n；j＝1,2,...,c，Xj是训练集X的第j个子集，其中，nj为第j子集中图像的个数，c表示类的个数；Y＝[y1,y2,…,yn]∈Rc×n表示与训练图像集矩阵X对应的标签矩阵，Y中的元素yi∈Rc定义为：如果xi属于第β个类，则yi的第β个位置元素为1，其余位置的元素均为0，β＝1,2,...,c；(2)对人脸训练图像集进行归一化；(3)构建近邻关系图，使得原始图像空间的近邻关系在转换后的图像特征空间仍然保持近邻关系；近邻关系图的邻接矩阵W中的元素Wik(i＝1,2,...,n,k＝1,2,...,n)的定义如下：其中，σ为HeatKernel参数，设置为1；由定义可以看出，相同类的人脸图像计算的Wik较大，不同类的人脸图像计算的Wik为0；(4)构建图嵌入约束项||QTxi-QTxk||2Wik，并进行如下等价变换：其中，yi＝QTxi，yk＝QTxk，Q∈Rm×c为要求解的转换矩阵，XT和QT分别表示X和Q的转置，是转换矩阵，L是拉普拉斯矩阵，L定义为L＝D-W，其中，D为对角矩阵，Dii＝∑k(k≠i)Wik；(5)合成判别低秩回归模型；(6)用IALM方法对判别低秩回归模型的增广拉格朗日形式进行优化求解；(7)通过求解判别低秩回归模型获取转换矩阵Q，通过Q将原人脸特征空间转换到一个判别性更强的图像特征空间，转换公式为：其中，H＝[h1,h2,...,hr]∈Rm×r，r为测试集中样本的个数，H和分别为转换前和转换后的测试图像集；X和分别是转换前和转换后的训练集；(8)将转换过的训练集与测试集进行转置并归一化；(9)针对每一个测试图像计算和转换后的每个训练图像之间的欧氏距离，将测试图像归类于最近邻图像所在的类集合。可选的，所述步骤(5)按如下过程进行：融合图嵌入约束项，稀疏一致性约束项和标签松弛方法到低秩回归框架中，合成得到判别低秩回归模型，所述判别低秩回归模型的公式化表示为：s.t.F＝XTQ,Q＝Z其中，是和训练子集Xj相对应的F中的第j个子集，F是训练集X经转换后的特征集，E∈Rn×c为稀疏误差项，λ、λ0、λ1、λ2为权衡参数；||·||2,1，||·||F，||·||*分别表示为矩阵的l21范数，lF范数和l*范数；所述判别低秩回归模型的增广拉格朗日形式公式化表示为：其中，C1和C2为拉格朗日乘子，μ＞0为惩罚参数。可选的，λ、λ0、λ1、λ2各权衡参数的取值为λ＝0.2，λ0＝0.2，λ1＝0.02，λ2＝0.07。可选的，所述步骤(9)中利用最近邻分类算法将测试图像归类于最近邻图像所在的类集合。可选的，所述步骤(6)中IALM方法为非精确增广拉格朗日乘子法。可选的，所述方法能够应用于由于拍摄角度的变化、人脸表情变化以及光照条件变化引起的低分辨率、噪声大、质量低劣的人脸图像的识别。本专利技术的第二个目的在于提供上述人脸识别方法在智能信息处理领域内的应用。可选的，所述智能信息处理领域包括视频人脸识别和人脸图像处理。本专利技术的第三个目的在于提供上述人脸识别方法在安防领域的应用。本专利技术具有以下优点：(1)稀疏一致性约束可以使不同类人脸图像之间的差异性增本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，所述方法通过稀疏一致性约束增大不同类别的人脸图像之间的差异性，同时通过图嵌入约束保持同类别人脸图像之间的近邻关系，并结合松弛标签方法构建得到判别低秩回归模型，在识别过程中将待识别人脸图像输入构建得到的判别低秩回归模型中以实现对待识别人脸图像的人脸识别，得到识别结果。/n

【技术特征摘要】
1.一种人脸识别方法，其特征在于，所述方法通过稀疏一致性约束增大不同类别的人脸图像之间的差异性，同时通过图嵌入约束保持同类别人脸图像之间的近邻关系，并结合松弛标签方法构建得到判别低秩回归模型，在识别过程中将待识别人脸图像输入构建得到的判别低秩回归模型中以实现对待识别人脸图像的人脸识别，得到识别结果。


2.根据权利要求1所述的方法，其特征在于，所述方法中构建得到判别低秩回归模型包括：
(1)将训练集的人脸图像转化为列向量，以形成训练图像集矩阵X＝[x1,x2,…,xn]∈Rm×n，其中，n为训练集中图像的个数，m表示图像特征的维度，xi表示第i个人脸图像所转化成的列向量，i＝1,2,...,n；

Xj是训练集X的第j个子集，其中，nj为第j子集中图像的个数，c表示类的个数；
Y＝[y1,y2,…,yn]∈Rc×n表示与训练图像集矩阵X对应的标签矩阵，Y中的元素yi∈Rc定义为：如果xi属于第β个类，则yi的第β个位置元素为1，其余位置的元素均为0，β＝1,2,...,c；
(2)对人脸训练图像集进行归一化；
(3)构建近邻关系图，使得原始图像空间的近邻关系在转换后的图像特征空间仍然保持近邻关系；近邻关系图的邻接矩阵W中的元素Wik(i＝1,2,...,n,k＝1,2,...,n)的定义如下：



其中，σ为HeatKernel参数，设置为1；由定义可以看出，相同类的人脸图像计算的Wik较大，不同类的人脸图像计算的Wik为0；
(4)构建图嵌入约束项||QTxi-QTxk||2Wik，并进行如下等价变换：



其中，yi＝QTxi，yk＝QTxk，Q∈Rm×c为要求解的转换矩阵，XT和QT分别表示X和Q的转置，Q是转换矩阵，L是拉普拉斯矩阵，L定义为L＝D-W，其中，D为对角矩阵，Dii＝∑k(k≠i)Wik；
(5)合成判别低秩回归模型；
(6)用IALM方法对判别低秩回归模型的增广拉格朗日形式进行优化求解；
(7)通过求解判别低秩回归模型获取转换矩阵Q，通过Q将原人脸特征空间转换到一个判别性更强的图像特征空间，转换公式为：

...

【专利技术属性】
技术研发人员：葛洪伟，王双喜，韩青麟，郑俊豪，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32