基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法技术

本发明专利技术涉及一种基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法，属于数字图像和模式识别领域，包括以下步骤：S1：误差提取阶段：通过特征金字塔的方式使用扩展稀疏表示得到重建误差；S2：误差编码阶段：通过动态误差编码对不同尺度的重建误差进行修正，多尺度融合完成人脸识别过程；S3：判别概率分类阶段：将不同块的误差基于概率求出权重系数联合分类。本发明专利技术从多尺度的角度提取重建误差，并使用动态误差编码进行修正融合分类，本方法能在单样本人脸识别中效果更好，更具鲁棒性。更具鲁棒性。更具鲁棒性。

【技术实现步骤摘要】
基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法


[0001]本专利技术属于数字图像和模式识别领域，涉及一种基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法。

技术介绍

[0002]人脸识别技术是一种准确度高、侵入性低的生物特征识别方法，广泛应用于信息安全、执法和监控、智能卡、访问控制等领域。在现实应用中，如身份证识别、护照识别、司法确认和入场管制等场景，通常只有少量的样本可供使用。在这种情况下，传统的人脸识别方法不能有效的识别少样本条件下的人脸，每个受试者需要多张人脸图像来获得良好的系统性能。此外，样本通常会受到干扰变量的破坏，训练样本数量少意味着很难去除训练和测试人脸之间的这些干扰变化，难以获得良好的识别性能。
[0003]现有方法遇到两个困境。一是单样本人脸识别带来的样本数量有限，因此缺乏可用信息会导致性能下降。另一个问题是，在处理未知变化时，现有方法无法处理遮挡区域。因此，本章方法的目的是通过使用局部和整体方法充分利用单个样本的判别信息，并使动态误差编码模块最大限度地减少干扰遮挡局部块对最终分类的负面影响。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法，解决实际生活中每个人只有一张训练图像的人脸识别问题，提高基于单样本的人脸识别效果。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法，包括以下步骤：
[0007]S1：误差提取阶段：通过特征金字塔的方式使用扩展稀疏表示得到重建误差；
[0008]S2：误差编码阶段：通过动态误差编码对不同尺度的重建误差进行修正，多尺度融合完成人脸识别过程；
[0009]S3：判别概率分类阶段：将不同块的误差基于概率求出权重系数联合分类。
[0010]进一步，所述步骤S1包括以下步骤：
[0011]S11：构造训练字典X、类内变化字典v；
[0012]S12：将训练字典X、类内变化字典V和测试样本y分别划分为1、4、16个大小相同的图像块；
[0013]S13：计算每个尺度L下测试样本y的每个图像块的表示系数，计算公式为：
[0014][0015]其中，和为求解的第L个尺度下的稀疏表示系数，且满足公式(1)中的最小值；和分别表示第L个尺度下的第j块的训练字典和类内变化字典，θL和表示第L个尺度下的稀疏表示系数，μ是正则化参数；
[0016]S14：用同伦法(Homotopy Method)求解步骤S13的1范数最小化问题；
[0017]S15：计算每个尺度L下测试样本y的每个图像块j的表示误差计算公式为：
[0018][0019]其中i表示第i个类别，表示第L个尺度下的第j块测试图像，函数δ
i
输出一个向量，其唯一非零列是中与第i类关联的列。
[0020]进一步，所述步骤S2包括以下步骤：
[0021]S21：求出每个尺度下的每一块的表示误差的权重系数w
L
(e
ij
)，计算公式为：
[0022][0023]其中，α和β是可调参数；
[0024]S22：将每一块的权重系数与误差相乘，得到修正后的误差计算公式为：
[0025][0026]进一步，所述步骤S3具体包括以下步骤：
[0027]S31：将修正后的误差经过判别概率分类策略，根据可信度来调整局部块的权重，从而进行分类，具体过程如下：
[0028][0029][0030][0031][0032][0033]其中，ζ(
·
)是按数值由小到大排列的函数，和分别代表e
j
由小到大排列之后的最小值和第二小值；sort表示从小到大排列的函数；
[0034]S32：计算所述局部块分类的可信度，作为当前块的权重系数，然后重新得到新的
表示残差
[0035][0036][0037]其中，exp表示指数函数，参数μ和δ是可调节的，使得当较大时，接近1，而当接近0时，接近0；
[0038]S33：将每个尺度下的每一块的表示误差相加，最小的误差那一类即为测试样本的类别：
[0039][0040]本专利技术的有益效果在于：与扩展的基于稀疏表示分类方法相比，本专利技术方法使用局部和整体方法充分利用单个样本的判别信息，并使动态误差编码模块最大限度地减少干扰遮挡局部块对最终分类的负面影响。本专利技术从多尺度的角度提取重建误差，并使用动态误差编码进行修正融合分类，和其他单样本人脸识别的方法相比，本方法能在单样本人脸识别中效果更好，更具鲁棒性。
[0041]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0042]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：
[0043]图1为基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法流程图。
具体实施方式
[0044]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0045]其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利技术的限制；为了更好地说明本专利技术的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是
可以理解的。
[0046]本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利技术的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0047]如图1所示，本专利技术提供一种基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法，该方法包含如下步骤：
[0048]步骤1：将训练字典、类内变化字典和测试样本划分为S个图像块，然后计算不同图像块在不同级别的类别残差，其中和分别是训练字典、类内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法，其特征在于：包括以下步骤：S1：误差提取阶段：通过特征金字塔的方式使用扩展稀疏表示得到重建误差；S2：误差编码阶段：通过动态误差编码对不同尺度的重建误差进行修正，多尺度融合完成人脸识别过程；S3：判别概率分类阶段：将不同块的误差基于概率求出权重系数联合分类。2.根据权利要求1所述的基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法，其特征在于：所述步骤S1包括以下步骤：S11：构造训练字典X、类内变化字典V；S12：将训练字典X、类内变化字典V和测试样本y分别划分为1、4、16个大小相同的图像块；S13：计算每个尺度L下测试样本y的每个图像块的表示系数，计算公式为：其中，和为求解的第L个尺度下的稀疏表示系数，且满足公式(1)中的最小值；和分别表示第L个尺度下的第j块的训练字典和类内变化字典，θ
L
和表示第L个尺度下的稀疏表示系数，μ是正则化参数；S14：用同伦法(Homotopy Method)求解步骤S13的1范数最小化问题；S15：计算每个尺度L下测试样本y的每个图像块j的表示误差计算公式为：其中i表示第i个类别，表示第L个尺度下的第j块测试图像，函数δ
i
输出一个向量，其唯一非零列是中与第i类关联...

【专利技术属性】
技术研发人员：栾晓，汪鑫，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：