一种人脸属性不变鲁棒性人脸识别方法及系统技术方案

本发明专利技术公开一种人脸属性不变鲁棒性人脸识别方法及系统，包括如下步骤：S1、提取人脸特征；S2、估计人脸属性；S3、构建并选择人脸属性子字典；S4、属性不变人脸特征提取；S5、人脸分类识别；系统中人脸深度特征提取模块分别与人脸属性识别模块、人脸属性字典构建模块相连，人脸属性识别模块依次连接人脸属性子字典选择模块、人脸属性不变特征提取模块、人脸分类识别模块，人脸属性子字典选择模块通过属性超完备字典与人脸属性子字典选择模块连接。本发明专利技术能够解决人脸的光照、姿态、表情、遮挡和分辨率同时变化及其组合变化等复杂环境下的人脸识别，并且保持人脸属性不变，鲁棒性高。

【技术实现步骤摘要】
一种人脸属性不变鲁棒性人脸识别方法及系统
本专利技术涉及图像处理与模式识别领域，特别是涉及一种人脸属性不变鲁棒性人脸识别方法及系统。
技术介绍
人脸身份识别技术经过大半个世纪发展，已经取得了实质性进展，在可控环境下已经达到应用水平。但在实际应用中，特别是极其复杂环境下，如人口密集或流动性强的市场、商场、超市等场所，发现它仍不够完善，容易受人脸光照、姿态、表情、遮挡、年龄和整形等综合因素干扰。由于复杂环境下人脸识别应用中，面临着巨大的人脸光照、姿态、遮挡、低分辨率等各种复杂变化，使得目前大部分人脸技术无法使用。针对人脸光照、姿态、表情和分辨率等变化问题，目前出现大量的解决方案和方法。但目前方法往往只是针对某一类问题进行研究，提出的方法也只能解决其中某一个问题。如，有些方法能解决人脸光照变化问题，而有些方法能解决人脸姿态变化问题，而另一些方法能解决人脸表情变化问题。这些方法面对人脸同时具有光照、姿态、表情和分辨率变化时，却无能为力。即目前没有一种方法能同时解决人脸的光照、姿态、表情和分辨率变化及其组合变化问题。
技术实现思路
本专利技术的目的是提供一种人脸属性不变鲁棒性人脸识别方法及系统，以解决上述现有技术存在的问题，能够解决人脸的光照、姿态、表情、遮挡和分辨率同时变化及其组合变化等复杂环境下的人脸识别，并且保持人脸属性不变，鲁棒性高。为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种人脸属性不变鲁棒性人脸识别方法，包括如下步骤：S1、提取人脸特征：将采集的人脸图像利用卷积神经网络CNN进行表示学习，提取人脸高层语义特征；S2、估计人脸属性：人脸属性包括若干类别，通过对若干种类别进行组合，得到人脸属性集；基于人脸高层语义特征，利用随机森林分类方法进行人脸属性识别，得到人脸属性估计结果；所述人脸属性类别包括分辨率、姿态、光照、表情、遮挡；S3、构建并选择人脸属性子字典：收集多属性人脸图像作为人脸训练集，根据属性类别数对所述训练集进行分类，对每类训练集采用深度字典学习模型单独训练优化得到子字典，然后将各类子字典利用协同学习进行微调和优化，并融合组成人脸属性字典；根据步骤S2得到的人脸属性选择对应的子字典，作为属性不变人脸特征提取的稀疏表示基空间；S4、属性不变人脸特征提取：利用步骤S1得到的人脸特征和步骤S3得到的子字典,利用深度稀疏表示模型进行属性不变人脸特征提取；S5、人脸分类识别：对步骤S4得到的属性不变人脸特征进行分类识别。优选的，所述CNN采用GoogleNet、RestNet50、DarkNet或EfficientNet网络模型,并使用迁移学习策略将网络模型在公开人脸数据库LFW和YTF上进行预训练。优选的，所述的深度字典学习方法，其模型表示为：其中，Ac为第c类子字典训练样本矩阵；为第c属性类中不同层的字典即基矩阵，为对应的系数矩阵即编码矩阵；Ds,Ws分别为共享字典及其对应的系数矩阵；所述的深度字典训练的目标函数为：式中，g(·)为非线性激活函数，表示2范数。优选的，步骤S3中协同学习微调和优化的目标函数为：式中，D为最终求解的属性字典；表示第c类中第n个人的样本；分别为第n个人的不同属性图像分别在各自类字典中的组合系数，分别为第n个人的不同属性图像分别在各自类共享子字典中的组合系数，λ1,λ2分别表示平衡因子参数，rvleo分别表示分辨率、姿态、光照、表情和遮挡类别数，N表示样本总数。优选的，所述深度稀疏表示模型表示为：式中，y表示人脸特征，Dc表示子字典，表示共享字典，γ表示权重参数，W表示需要求解的稀疏表示系数，||·||1/2表示1/2范数。优选的，在步骤S2中利用随机森林分类方法进行人脸属性分类识别，判定属性类别。优选的，所述步骤S5中利用支持向量机SVM或最近邻KNN或贝叶斯方法进行分类识别。还提供了一种人脸属性不变鲁棒性人脸识别系统，包括：人脸深度特征提取模块，用于提取人脸高层语义特征；人脸属性字典构建模块，用于构建人脸属性超完备字典；人脸属性识别模块，用于确定输入人脸图像的分辨率、姿态、光照、表情和遮挡的属性类别；人脸属性子字典选择模块，用于确定输入图像所属的稀疏表示基空间；人脸属性不变特征提取模块，用于提取具有人脸分辨率、姿态、光照、表情、遮挡不变的鲁棒性特征；人脸分类识别模块，用于进行人脸身份识别和分类。所述人脸深度特征提取模块分别与所述人脸属性识别模块、所述人脸属性字典构建模块相连，所述人脸属性识别模块依次连接所述人脸属性子字典选择模块、所述人脸属性不变特征提取模块、所述人脸分类识别模块，所述人脸属性子字典选择模块通过属性超完备字典与所述人脸属性子字典选择模块连接。本专利技术公开了以下技术效果：能够在人脸的光照、姿态、表情、遮挡和分辨率同时变化及其组合变化等复杂环境下的进行人脸识别，并且保持人脸属性不变，鲁棒性高。具体为：1)将目前热门的深度学习方法和经典的字典学习方法结合，提出深度字典学习方法提高字典学习的鲁棒性，并用采用协同学习策略，使得各子字典之间具有线性组合一致性，为后期的人脸属性不变特征提取创造了良好基础。2)本专利技术根据输入人脸图像的属性类别选择相应的子字典构建人脸表示基空间，并进行属性不变人脸特征提取，解决了复杂环境下人脸的光照、姿态、表情、遮挡和分辨率同时变化问题。通过本专利技术提出的人脸特征不会随着人脸的光照、姿态、表情、遮挡和分辨率等变化而变化，为复杂场景下人脸识别问题提供了一条可行的解决方案。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术公开的复杂环境下的人脸识别技术框架示意图；图2为本专利技术公开的复杂环境下的人脸识别系统示意图；图3为深度字典学习模型示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。参考图2，本专利技术提供一种人脸属性不变鲁棒性人脸识别系统，包括人脸深度特征提取模块、人脸属性字典构建模块、人脸属性识别模块、人脸属性子字典选择模块、人脸属性不变特征提取模块和人脸分类识别模块，人脸深度特征提取模块分别与人脸属性识别模块、人脸属性字典构建模块相连，人脸属性识别模块依次连接人脸属性子字典选择模块、人脸属性不变特本文档来自技高网...

【技术保护点】
1.一种人脸属性不变鲁棒性人脸识别方法，其特征在于：包括如下步骤：/nS1、提取人脸特征：将采集的人脸图像利用卷积神经网络CNN进行表示学习，提取人脸高层语义特征；/nS2、估计人脸属性：人脸属性包括若干类别，通过对若干种类别进行组合，得到人脸属性集；基于人脸高层语义特征，利用随机森林分类方法进行人脸属性识别，得到人脸属性估计结果；所述人脸属性类别包括分辨率、姿态、光照、表情、遮挡；/nS3、构建并选择人脸属性子字典：收集多属性人脸图像作为人脸训练集，根据属性类别数对所述训练集进行分类，对每类训练集利用深度字典学习模型单独训练优化得到子字典，然后将各类子字典利用协同学习进行微调和优化，并融合组成人脸属性字典；根据步骤S2得到的人脸属性选择对应的子字典，作为属性不变人脸特征提取的稀疏表示基空间；/nS4、属性不变人脸特征提取：利用步骤S1得到的人脸特征和步骤S3得到的子字典,利用深度稀疏表示模型进行属性不变人脸特征提取；/nS5、人脸分类识别：对步骤S4得到的属性不变人脸特征进行分类识别。/n

【技术特征摘要】
1.一种人脸属性不变鲁棒性人脸识别方法，其特征在于：包括如下步骤：
S1、提取人脸特征：将采集的人脸图像利用卷积神经网络CNN进行表示学习，提取人脸高层语义特征；
S2、估计人脸属性：人脸属性包括若干类别，通过对若干种类别进行组合，得到人脸属性集；基于人脸高层语义特征，利用随机森林分类方法进行人脸属性识别，得到人脸属性估计结果；所述人脸属性类别包括分辨率、姿态、光照、表情、遮挡；
S3、构建并选择人脸属性子字典：收集多属性人脸图像作为人脸训练集，根据属性类别数对所述训练集进行分类，对每类训练集利用深度字典学习模型单独训练优化得到子字典，然后将各类子字典利用协同学习进行微调和优化，并融合组成人脸属性字典；根据步骤S2得到的人脸属性选择对应的子字典，作为属性不变人脸特征提取的稀疏表示基空间；
S4、属性不变人脸特征提取：利用步骤S1得到的人脸特征和步骤S3得到的子字典,利用深度稀疏表示模型进行属性不变人脸特征提取；
S5、人脸分类识别：对步骤S4得到的属性不变人脸特征进行分类识别。


2.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：所述CNN采用GoogleNet、RestNet50、DarkNet或EfficientNet网络模型,并使用迁移学习策略将网络模型在公开人脸数据库LFW和YTF上进行预训练。


3.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：采用深度字典学习的方法进行属性子字典学习，其模型表示为：



其中，Ac为第c类子字典训练样本矩阵；为第c属性类中不同层的字典即基矩阵，为对应的系数矩阵即编码矩阵；Ds,Ws分别为共享字典及其对应的系数矩阵；所述的深度字典训练的目标函数为：



式中，g(·)为非线性激活函数，表示2范数。


4.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：所述步骤S3中协同学...

【专利技术属性】
技术研发人员：廖海斌，
申请(专利权)人：湖北科技学院，
类型：发明
国别省市：湖北;42