• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 17
    • 下载费用:30 金币  

    重庆时时彩开码直播: 一种快速处理人脸遮挡的人脸识别方法及装置.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201610930157.3

    申请日:

    2016.10.31

    公开号:

    CN106570464A

    公开日:

    2017.04.19

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06K 9/00申请日:20161031|||公开
    IPC分类号: G06K9/00; G06K9/46; G06K9/62 主分类号: G06K9/00
    申请人: 华南理工大学
    发明人: 傅予力; 吴小思; 张隆琴; 黄志建; 向友君
    地址: 510640 广东省广州市天河区五山路381号
    优先权:
    专利代理机构: 广州市华学知识产权代理有限公司 44245 代理人: 罗观祥
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201610930157.3

    授权公告号:

    |||

    法律状态公告日:

    2017.05.17|||2017.04.19

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种快速处理人脸遮挡的人脸识别方法及装置,该方法包括:获取测试人脸样本及标准化学习字典;利用带局部约束的目标函数求出所述测试人脸样本未遮挡部分的局部约束编码,利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新,直至检测完成;利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达;逐类生成每类对应的重构人脸,求出每类重构人脸与所述测试人脸样本之间的重构误差;查找具有最小重构误差对应的类,将其确定为所述测试人脸样本的类别并将其输出。本发明能够处理识别带遮挡或受噪声污染的人脸,在保证高识别成功率的前提下有较快的识别速度,从而更好地进行人脸识别,更适用于实际场景。

    权利要求书

    1.一种快速处理人脸遮挡的人脸识别方法,其特征在于,所述人脸识别方法包括下列
    步骤:
    获取测试人脸样本及标准化学习字典;
    利用带局部约束的目标函数求出所述测试人脸样本中未遮挡部分的局部约束编码,利
    用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新,直至最终检测完成;
    利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达;
    逐类生成每类对应的重构人脸,求出每类重构人脸与所述测试人脸样本之间的重构误
    差;
    查找具有最小重构误差对应的类,将其确定为所述测试人脸样本的类别并将其输出。
    2.根据权利要求1所述的一种快速处理人脸遮挡的人脸识别方法,其特征在于,所述标
    准化学习字典的获取过程,具体包括:
    建立训练人脸样本集;
    利用所述训练人脸样本集构造过完备学习字典;
    将所述过完备学习字典中每一个训练样本标准化;
    将所述标准化后的过完备学习字典以及每个训练样本图像的已知类别进行存储。
    3.根据权利要求1所述的一种快速处理人脸遮挡的人脸识别方法,其特征在于,所述利
    用带局部约束的目标函数求出所述测试人脸样本未遮挡部分的局部约束编码,利用马尔可
    夫随机场对所述测试人脸样本遮挡区域建模并迭代更新,直至最终检测完成,具体包括:
    假设标签向量为s的每一个元素标识对应像素是否为遮挡区域的像素,其中s
    [j]=0表示j元素是遮挡区域像素,而s[j]=1表示j元素是未遮挡区域像素,s的所有元素
    均初始化为1;
    根据目前的区域标定,通过下式将标准化学习字典中的未遮挡区域以及测试人脸样本
    图像的未遮挡区域提取出来:
    A*=A[st-1=1,:],y*=y[st-1=1]
    式中,A*表示标准化学习字典的未遮挡区域,y*表示测试人脸样本的未遮挡区域,st-1=
    1表示取目前标签向量中值为1的像素点,即取目前检测出的未遮挡区域;
    利用下式计算测试人脸样本的未遮挡区域与标准化学习字典的未遮挡区域之间的相
    似度,并生成距离字典
    <mrow> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>=</mo> <msup> <mi>e</mi> <mfrac> <mrow> <mi>E</mi> <mi>u</mi> <mi>c</mi> <mi>l</mi> <mi>i</mi> <mi>d</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>tan</mi> <mi>c</mi> <mi>e</mi> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mo>*</mo> </msup> <mo>,</mo> <msubsup> <mi>A</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> </mrow> <mi>&sigma;</mi> </mfrac> </msup> <mo>,</mo> <mi>D</mi> <mo>=</mo> <mo>&lsqb;</mo> <msub> <mi>d</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>d</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>d</mi> <mi>n</mi> </msub> <mo>&rsqb;</mo> </mrow>
    式中,Ai*表示第i类训练样本图像组成的子字典的未遮挡区域,y*表示测试人脸样本的
    未遮挡区域,表示求y*和A*之间的欧式距离,σ是一个常数,
    用来控制权重衰减速度;
    对编码系数施加局部约束,通过求解下式中带局部约束的目标函数来获得测试人脸样
    本的未遮挡部分的编码系数,所述带局部约束的目标函数如下:

    式中,||·||2表示向量的l2范数,A*表示标准化学习字典的未遮挡区域,y*表示测试人
    脸样本的未遮挡区域,x表示编码系数,D表示距离字典,λ是一个平衡前后两项的正数;
    根据求得的编码系数和标准化学习字典进行重构,求出对应重构图像与之间的重构误
    差:
    <mrow> <mover> <mi>e</mi> <mo>~</mo> </mover> <mo>=</mo> <mi>y</mi> <mo>-</mo> <mi>A</mi> <mover> <mi>x</mi> <mo>~</mo> </mover> </mrow>
    式中,A表示标准化学习字典,y表示测试人脸样本,x表示编码系数,表示重构误差;
    对标签向量s建立马尔可夫随机场模型,利用图切算法求解下式中的目标函数,更新标
    签向量s:
    <mrow> <msup> <mover> <mi>s</mi> <mo>^</mo> </mover> <mi>t</mi> </msup> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mrow> <mi>s</mi> <mo>&Element;</mo> <msup> <mrow> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>}</mo> </mrow> <mi>m</mi> </msup> </mrow> </munder> <munder> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&Element;</mo> <mi>E</mi> </mrow> </munder> <mi>&mu;</mi> <mi>s</mi> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mi>s</mi> <mo>&lsqb;</mo> <mi>j</mi> <mo>&rsqb;</mo> <mo>+</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>&Element;</mo> <mi>V</mi> </mrow> </munder> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>(</mo> <mrow> <mover> <mi>e</mi> <mo>~</mo> </mover> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>|</mo> <mi>s</mi> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
    其中,的取值如下式所述:
    <mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>(</mo> <mrow> <mover> <mi>e</mi> <mo>~</mo> </mover> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>|</mo> <mi>s</mi> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>=</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mi>log</mi> <mi>&tau;</mi> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mo>|</mo> <mi>e</mi> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>|</mo> <mo>&le;</mo> <mi>&tau;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>log</mi> <mi>&tau;</mi> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mo>|</mo> <mi>e</mi> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>|</mo> <mo>&gt;</mo> <mi>&tau;</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
    <mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>(</mo> <mrow> <mover> <mi>e</mi> <mo>~</mo> </mover> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>|</mo> <mi>s</mi> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>=</mo> <mn>0</mn> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mo>|</mo> <mi>e</mi> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>|</mo> <mo>&gt;</mo> <mi>&tau;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>log</mi> <mi>&tau;</mi> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mo>|</mo> <mi>e</mi> <mo>&lsqb;</mo> <mi>i</mi> <mo>&rsqb;</mo> <mo>|</mo> <mo>&le;</mo> <mi>&tau;</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
    式中,s[i]是第i个像素的标签值,是第i个像素的重构误差值,μ是一个常数,控制
    不同像素之间相互作用的强度,τ是一个阈值;
    迭代执行上述步骤,直至算法收敛或达到最大收敛次数,此时测试人脸样本合理的带
    遮挡区域已被检测出来。
    4.根据权利要求3所述的一种快速处理人脸遮挡的人脸识别方法,其特征在于,所述带
    局部约束的目标函数具有解析解,其求解过程具体包括:
    求出数据协方差矩阵:
    S=(A*T-1y*T)(A*T-1y*T)T
    式中,S表示协方差矩阵,A*表示标准化学习字典的未遮挡区域,y*表示测试人脸样本的
    未遮挡区域,1向量表示元素值全为1的向量,假设未遮挡区域像素数量为p,则

    求出编码系数x:
    x=(S+λdiag(D)2)\1
    式中,S表示协方差矩阵,λ是上式目标函数中平衡前后两项的正数,diag(D)是对角线
    元素为D中元素的对角矩阵,1向量表示元素值全为1的向量,a\b表示矩阵a的逆乘以矩阵b;
    对编码系数x进行归一化,得到归一化的编码系数
    <mrow> <mover> <mi>x</mi> <mo>~</mo> </mover> <mo>=</mo> <mi>x</mi> <mo>/</mo> <msup> <mn>1</mn> <mi>T</mi> </msup> <mi>x</mi> </mrow>
    式中,x表示编码系数,1向量表示元素值全为1的向量,a/b表示矩阵a乘以矩阵b的逆。
    5.根据权利要求3所述的一种快速处理人脸遮挡的人脸识别方法,其特征在于,
    所述带局部约束的目标函数可简化成下式:
    <mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mover> <mi>x</mi> <mo>~</mo> </mover> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mi>x</mi> </munder> <mo>|</mo> <mo>|</mo> <msup> <mi>y</mi> <mo>*</mo> </msup> <mo>-</mo> <mi>B</mi> <mi>x</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> </mrow> </mtd> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <msup> <mn>1</mn> <mi>T</mi> </msup> <mi>x</mi> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced>
    式中,B=A*(:,id),id是距离字典中最小的元素对应的索引,A*表示标准化学习字典的
    未遮挡区域。
    6.根据权利要求1所述的一种快速处理人脸遮挡的人脸识别方法,其特征在于,
    所述利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达,
    具体为:
    采用解l2约束最小化的方法,通过求解下式中带l2范数约束的目标函数对所述测试人
    脸样本的未遮挡区域部分进行l2稀疏编码:
    <mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mi>x</mi> </munder> <mo>|</mo> <mo>|</mo> <msup> <mi>y</mi> <mo>*</mo> </msup> <mo>-</mo> <msup> <mi>A</mi> <mo>*</mo> </msup> <mi>x</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <mi>&theta;</mi> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> </mrow>
    式中,||·||2表示向量的l2范数,x表示稀疏编码系数,arg minx||x||2表示取使x的l2
    范数最小对应的x,y*表示测试人脸样本的未遮挡区域,A*表示标准化学习字典的未遮挡区
    域,θ是一个平衡前后两项的正数。
    7.根据权利要求6所述的一种快速处理人脸遮挡的人脸识别方法,其特征在于,
    所述带l2范数约束的目标函数具有解析解,其求解过程具体包括:
    求出投影矩阵P:
    P=(A*TA*+θ·I)-1A*T
    式中,A*表示标准化学习字典的未遮挡区域,I矩阵是单位矩阵,(·)-1表示取逆操作,θ
    是S109所述目标函数中平衡前后两项的正数;
    求出l2稀疏编码:
    <mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>=</mo> <msup> <mi>Py</mi> <mo>*</mo> </msup> </mrow>
    式中,表示l2稀疏编码系数,y*表示测试人脸样本的未遮挡区域。
    8.根据权利要求1所述的一种快速处理人脸遮挡的人脸识别方法,其特征在于,
    所述逐类生成每类对应的重构人脸,求出每类重构人脸与所述测试人脸样本之间的重
    构误差,具体为:
    利用求解出的l2稀疏编码系数,逐类求出该类对应的重构人脸以及重构人脸与原测试
    人脸样本之间的重构误差:
    <mrow> <msub> <mover> <mi>e</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>=</mo> <msup> <mi>y</mi> <mo>*</mo> </msup> <mo>-</mo> <msup> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>*</mo> </msup> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> </mrow>
    式中,表示第i类的重构误差,y*表示测试人脸样本的未遮挡区域,Ai*表示第i类训练
    样本图像组成的子字典的未遮挡区域,表示第i类的稀疏编码系数。
    9.根据权利要求1所述的一种快速处理人脸遮挡的人脸识别方法,其特征在于,所述查
    找具有最小重构误差对应的类,将其确定为所述测试人脸样本的类别并将其输出,具体为:
    根据每一类的重构误差,查找具有最小重构误差的类作为所述测试人脸样本的类别:
    <mrow> <mi>i</mi> <mi>d</mi> <mi>e</mi> <mi>n</mi> <mi>t</mi> <mi>i</mi> <mi>t</mi> <mi>y</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mi>i</mi> </munder> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mover> <mi>e</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> </mrow> </mfrac> </mrow>
    式中,identity(y)表示测试人脸样本的类别,表示第i类的重构误差,表示第i类的
    稀疏编码系数,表示取使最小的类别i。
    10.一种快速处理人脸遮挡的人脸识别装置,其特征在于,所述人脸识别装置包括:
    获取???,用于获取测试人脸样本及标准化学习字典;
    检测???,用于利用带局部约束的目标函数求出所述测试人脸样本未遮挡部分的局部
    约束编码,利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新,直至最终
    检测完成;
    稀疏编码???,用于利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区
    域的稀疏表达;
    计算重构误差???,用于利用逐类生成每类对应的重构人脸,求出每类重构人脸与所
    述测试人脸样本之间的重构误差;
    输出???,用于查找具有最小重构误差对应的类,将其确定为所述测试人脸样本的类
    别并将其输出。

    说明书

    一种快速处理人脸遮挡的人脸识别方法及装置

    技术领域

    本发明涉及计算机视觉和模式识别技术领域,具体涉及一种快速处理人脸遮挡的
    人脸识别方法及装置。

    背景技术

    目前来说,人脸识别是计算机视觉和模式识别领域的热点研究问题之一,而遮挡
    问题由于其多样性,成为人脸识别领域中的一个重点和难点问题。

    John Wright等人在2009年提出了稀疏表示分类器方法(Sparse
    Representation-based classification,简称SRC),这种方法认为:每一个测试人脸图像
    都可以通过训练样本集中相同类别的人脸图像的线性组合来表示。因此,理想情况下,其他
    类别的训练样本对应的编码系数为零,而与测试人脸样本类别相同的训练样本对应的编码
    系数不为零,这体现出一种稀疏性,而这种编码系数也可称为测试人脸图像的稀疏表示。
    SRC具体的步骤是:(1)以所有类别的训练样本图像作为学习字典(2)通过解决l1最小化问
    题得到测试人脸图像在整个学习字典上的稀疏系数(3)利用每类对应的稀疏系数逐类生成
    该类的重构图像,并求出每类的重构误差(4)选择具有最小重构误差的类作为最终的结果,
    完成测试人脸图像的识别。

    然而,在解决遮挡问题的时候,SRC需要引入一个单位矩阵来构建一个新的字典,
    然后求出测试人脸样本在新字典上的稀疏系数。这么做存在两个问题:(1)新的字典列数很
    大,要求解测试人脸图像在这个新字典上的稀疏系数十分耗时(2)这种做法不能很好地解
    决连续遮挡问题。

    随后Zihan Zhou等人提出了基于马尔可夫随机场的处理连续遮挡的方法(Sparse
    Error Correction with MRF,简称SEC_MRF),相比于SRC,SEC_MRF在处理噪声污染和连续
    遮挡方面都取得了很好的效果。然而,SEC_MRF的运算复杂度很大,它需要对每一类样本都
    迭代地解决l1范数最小化问题,因此运算速度比较慢,不适用于实时场景。

    发明内容

    本发明的第一个目的在于克服现有技术的缺点与不足,提供一种快速处理人脸遮
    挡的人脸识别方法,该人脸识别方法在识别带遮挡或受噪声污染的人脸时,在保证高识别
    成功率的前提下有较快的识别速度,从而更好地进行人脸识别,更加适用于实际场景。

    本发明的另一个目的在于克服现有技术的缺点与不足,提供一种快速处理人脸遮
    挡的人脸识别装置。

    本发明的第一个目的通过以下技术方案实现:

    一种快速处理人脸遮挡的人脸识别方法,所述人脸识别方法包括下列步骤:

    获取测试人脸样本及标准化学习字典;

    利用带局部约束的目标函数求出所述测试人脸样本中未遮挡部分的局部约束编
    码,利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新,直至最终检测完
    成;

    利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区域的稀疏表达;

    逐类生成每类对应的重构人脸,求出每类重构人脸与所述测试人脸样本之间的重
    构误差;

    查找具有最小重构误差对应的类,将其确定为所述测试人脸样本的类别并将其输
    出。

    进一步地,所述标准化学习字典的获取过程,具体包括:

    建立训练人脸样本集;

    利用所述训练人脸样本集构造过完备学习字典;

    将所述过完备学习字典中每一个训练样本标准化;

    将所述标准化后的过完备学习字典以及每个训练样本图像的已知类别进行存储。

    进一步地,所述利用带局部约束的目标函数求出所述测试人脸样本未遮挡部分的
    局部约束编码,利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新,直至
    最终检测完成,具体包括:

    假设标签向量为s的每一个元素标识对应像素是否为遮挡区域的像素,
    其中s[j]=0表示j元素是遮挡区域像素,而s[j]=1表示j元素是未遮挡区域像素,s的所有
    元素均初始化为1;

    根据目前的区域标定,通过下式将标准化学习字典中的未遮挡区域以及测试人脸
    样本图像的未遮挡区域提取出来:

    A*=A[st-1=1,:],y*=y[st-1=1]

    式中,A*表示标准化学习字典的未遮挡区域,y*表示测试人脸样本的未遮挡区域,
    st-1=1表示取目前标签向量中值为1的像素点,即取目前检测出的未遮挡区域;

    利用下式计算测试人脸样本的未遮挡区域与标准化学习字典的未遮挡区域之间
    的相似度,并生成距离字典


    式中,Ai*表示第i类训练样本图像组成的子字典的未遮挡区域,y*表示测试人脸样
    本的未遮挡区域,表示求y*和A*之间的欧式距离,σ是一个
    常数,用来控制权重衰减速度;

    对编码系数施加局部约束,通过求解下式中带局部约束的目标函数来获得测试人
    脸样本的未遮挡部分的编码系数,所述带局部约束的目标函数如下:


    式中,||·||2表示向量的l2范数,A*表示标准化学习字典的未遮挡区域,y*表示测
    试人脸样本的未遮挡区域,x表示编码系数,D表示距离字典,λ是一个平衡前后两项的正数;

    根据求得的编码系数和标准化学习字典进行重构,求出对应重构图像与之间的重
    构误差:


    式中,A表示标准化学习字典,y表示测试人脸样本,x表示编码系数,表示重构误
    差;

    对标签向量s建立马尔可夫随机场模型,利用图切算法求解下式中的目标函数,更
    新标签向量s:


    其中,的取值如下式所述:



    式中,s[i]是第i个像素的标签值,是第i个像素的重构误差值,μ是一个常数,
    控制不同像素之间相互作用的强度,τ是一个阈值;

    迭代执行上述步骤,直至算法收敛或达到最大收敛次数,此时测试人脸样本合理
    的带遮挡区域已被检测出来。

    进一步地,所述带局部约束的目标函数具有解析解,其求解过程具体包括:

    求出数据协方差矩阵:

    S=(A*T-1y*T)(A*T-1y*T)T

    式中,S表示协方差矩阵,A*表示标准化学习字典的未遮挡区域,y*表示测试人脸样
    本的未遮挡区域,1向量表示元素值全为1的向量,假设未遮挡区域像素数量为p,则

    求出编码系数x:

    x=(S+λdiag(D)2)\1

    式中,S表示协方差矩阵,λ是上式目标函数中平衡前后两项的正数,diag(D)是对
    角线元素为D中元素的对角矩阵,1向量表示元素值全为1的向量,a\b表示矩阵a的逆乘以矩
    阵b;

    对编码系数x进行归一化,得到归一化的编码系数


    式中,x表示编码系数,1向量表示元素值全为1的向量,a/b表示矩阵a乘以矩阵b的
    逆。

    进一步地,所述带局部约束的目标函数可简化成下式:


    式中,B=A*(:,id),id是距离字典中最小的元素对应的索引,A*表示标准化学习字
    典的未遮挡区域。

    进一步地,所述利用带l2范数约束的目标函数获取所述测试人脸样本的未遮挡区
    域的稀疏表达,具体为:

    采用解l2约束最小化的方法,通过求解下式中带l2范数约束的目标函数对所述测
    试人脸样本的未遮挡区域部分进行l2稀疏编码:


    式中,||·||2表示向量的l2范数,x表示稀疏编码系数,argminx||x||2表示取使x
    的l2范数最小对应的x,y*表示测试人脸样本的未遮挡区域,A*表示标准化学习字典的未遮
    挡区域,θ是一个平衡前后两项的正数。

    进一步地,所述带l2范数约束的目标函数具有解析解,其求解过

    程具体包括:求出投影矩阵P:


    式中,A*表示标准化学习字典的未遮挡区域,I矩阵是单位矩阵,(·)-1表示取逆操
    作,θ是S109所述目标函数中平衡前后两项的正数;

    求出l2稀疏编码:


    式中,表示l2稀疏编码系数,y*表示测试人脸样本的未遮挡区域。

    进一步地,所述逐类生成每类对应的重构人脸,求出每类重构人脸与所述测试人
    脸样本之间的重构误差,具体为:

    利用求解出的l2稀疏编码系数,逐类求出该类对应的重构人脸以及重构人脸与原
    测试人脸样本之间的重构误差:


    式中,表示第i类的重构误差,y*表示测试人脸样本的未遮挡区域,Ai*表示第i类
    训练样本图像组成的子字典的未遮挡区域,表示第i类的稀疏编码系数。

    进一步地,所述查找具有最小重构误差对应的类,将其确定为所述测试人脸样本
    的类别并将其输出,具体为:

    根据每一类的重构误差,查找具有最小重构误差的类作为所述测试人脸样本的类
    别:


    式中,identity(y)表示测试人脸样本的类别,表示第i类的重构误差,表示第
    i类的稀疏编码系数,表示取使最小的类别i。

    本发明的另一个目的通过以下技术方案实现:

    一种快速处理人脸遮挡的人脸识别装置,所述人脸识别装置包括:

    获取???,用于获取测试人脸样本及标准化学习字典;

    检测???,用于利用带局部约束的目标函数求出所述测试人脸样本未遮挡部分的
    局部约束编码,利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新,直至
    最终检测完成;

    稀疏编码???,用于利用带l2范数约束的目标函数获取所述测试人脸样本的未遮
    挡区域的稀疏表达;

    计算重构误差???,用于利用逐类生成每类对应的重构人脸,求出每类重构人脸
    与所述测试人脸样本之间的重构误差;

    输出???,用于查找具有最小重构误差对应的类,将其确定为所述测试人脸样本
    的类别并将其输出。

    其中,所述获取??榘ǎ?br />

    获取测试样本子???,用于获取人脸图像数据并转化为测试人脸样本;

    建立训练样本集子???,用于建立训练人脸样本集;

    获取学习字典子???,用于利用所述训练人脸样本集构造过完备学习字典;

    标准化学习字典子???,用于将所述学习字典每一个训练样本标准化;

    存储标准化学习字典子???,用于将所述标准化后的学习字典以及每个训练样本
    图像的已知类别进行存储。

    其中,所述检测??榘ǎ?br />

    获取未遮挡区域子???,用于获取所述测试人脸样本和所述标准化学习字典当前
    带有未遮挡标签的像素点;

    生成距离字典子???,用于计算所述测试人脸样本当前标定未遮挡区域与所述标
    准化学习字典中每一个训练样本图像的当前标定未遮挡区域之间的欧式距离,并生成距离
    字典;

    局部约束编码子???,用于利用所述距离字典、所述标准化学习字典计算所述测
    试人脸样本未遮挡区域的局部约束编码;

    计算编码误差子???,用于计算所述测试人脸样本未遮挡区域的局部约束编码生
    成重构人脸与所述测试人脸样本之间的编码误差;

    更新遮挡区域子???,利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并
    根据所述编码误差更新遮挡区域;

    判断子???,用于判断是否达到最大迭代次数,如果是,则进入未遮挡区域稀疏编
    码???,反之,则回到获取未遮挡区域像素子???。

    与现有技术相比,本发明的有益效果在于:

    1、本发明在利用马尔可夫随机场对测试人脸样本的遮挡区域进行检测过程中引
    入局部约束项,使用局部约束项来获取未遮挡区域的编码系数,既考虑了像素之间的相互
    作用,又有效地利用了人脸之间的相似性以及人脸与遮挡之间的不相似性,有效地保证了
    高识别率。

    2、保证高识别率的同时,在迭代更新遮挡区域过程中,由于局部约束项可导出解
    析解,有效降低运算复杂度,从而加速了检测遮挡区域的过程。同时,在检测完遮挡区域后,
    对未遮挡区域使用l2稀疏编码完成识别过程,l2最小化问题同样可导出解析解,同样减少了
    运算所需时间。通过这样的方式,本发明有效地提高了识别速度,达到快速处理人脸遮挡的
    目的。

    附图说明

    图1为本发明公开的快速处理人脸遮挡的人脸识别方法的一种具体实施方式的流
    程示意图;

    图2为本发明公开的快速处理人脸遮挡的人脸识别方法与其他五种方法的分类精
    度随着随机遮挡面积变大而变化的曲线图;

    图3为本发明公开的快速处理人脸遮挡的人脸识别装置的一种具体实施方式的结
    构框图。

    具体实施方式

    为了使本技术领域的人员更好地理解本发明方案,下面将结合附图和具体实施方
    式,对本发明作进一步详细说明,显然,所描述的实施例仅仅是本发明一部分的实施例,而
    不是全部的实施例?;诒痉⒚髦械氖凳├?,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,都属于本发明?;さ姆段?。

    实施例一

    本实施例公开了一种快速处理人脸遮挡的人脸识别方法,目的在于在识别带遮挡
    或受噪声污染的人脸时,在保证高识别成功率的前提下有较快的识别速度,从而更好地进
    行人脸识别。本实施例中一种快速处理人脸遮挡的人脸识别方法的流程示意图如图1所示,
    具体包括以下步骤:

    S1、获取测试人脸样本及标准化学习字典。假设测试用的样本图像为y,维度与训
    练样本图像一致,同样也转换为m×1的列向量,则假设训练用的样本图像有a类,
    每类有b张样本图像,则训练用的样本图像总共有n=a×b张,每张图像的长和宽分别为f和
    g,则每张图像的维度是m=f×g,将每张训练样本图像由f×g转换为m×1的列向量,并生成
    一个标准化学习字典

    所述步骤S1中的标准化学习字典是预先建立的,预先建立标准化学习字典的过程
    包括:

    S101、建立训练人脸样本集;

    S102、利用所述训练人脸样本集构造过完备学习字典;

    S103、将所述学习字典每一个训练样本标准化;

    S104、将所述标准化后的学习字典以及每个训练样本图像的已知类别进行存储。

    S2、假设标签向量为s的每一个元素标识对应像素是否为遮挡区域的像
    素,其中s[j]=0表示j元素是遮挡区域像素,而s[j]=1,s的所有元素均初始化为1。

    S3、根据目前的区域标定,通过下式将标准化学习字典中的未遮挡区域以及测试
    人脸样本的未遮挡区域提取出来:

    A*=A[st-1=1,:],y*=y[st-1=1]

    式中,A*表示标准化学习字典的未遮挡区域,y*表示测试人脸样本的未遮挡区域,
    st-1=1表示取目前标签向量中值为1的像素点,即取目前检测出的未遮挡区域。

    S4、利用下式计算测试人脸样本的未遮挡区域与标准化学习字典的未遮挡区域之
    间的相似度,并生成距离字典


    式中,Ai*表示第i类训练样本图像组成的子字典的未遮挡区域,y*表示测试人脸样
    本的未遮挡区域,表示求y*和A*之间的欧式距离,σ是一个
    常数,用于控制权重衰减速度。

    S5、对编码系数施加局部约束,通过求解下式中的目标函数来测试人脸样本的未
    遮挡部分的编码系数:


    式中,||·||2表示向量的l2范数,A*表示标准化学习字典的未遮挡区域,y*表示测
    试人脸样本的未遮挡区域,x表示编码系数,D表示距离字典,λ是一个平衡前后两项的正数;

    所述的步骤S5中的测试人脸样本未遮挡部分编码系数的目标函数的求解具有解
    析解,如下面流程所述:

    S501、求出数据协方差矩阵:

    S=(A*T-1y*T)(A*T-1y*T)T

    式中,S表示协方差矩阵,A*表示标准化学习字典的未遮挡区域,y*表示测试人脸样
    本的未遮挡区域,1向量表示元素值全为1的向量。在这里假设未遮挡区域像素数量为p,则

    S502、求出编码系数x:

    x=(S+λdiag(D)2)\1

    式中,S表示协方差矩阵,λ是S05所述目标函数中平衡前后两项的正数,diag(D)是
    对角线元素为D中元素的对角矩阵,1向量表示元素值全为1的向量,a\b表示矩阵a的逆乘以
    矩阵b;

    S503、对编码系数x进行归一化,得到归一化的编码系数


    式中,x表示编码系数,1向量表示元素值全为1的向量,a/b表示矩阵a乘以矩阵b的
    逆;

    同时,所述步骤S5中的测试人脸样本未遮挡部分编码系数的目标函数可以进一步
    简化成下式:


    式中,B=A*(:,id),id是距离字典中最小的元素对应的索引,A*表示标准化学习字
    典的未遮挡区域。通过这样简化,再次降低了求解编码系数的运算复杂度,运算速度得到进
    一步的提升。

    S6、根据求出的编码系数和学习字典进行重构,求出对应重构图像与之间的重构
    误差:


    式中,A表示标准化学习字典,y表示测试人脸样本,x表示编码系数,表示重构误
    差。

    S7、对标签向量s建立马尔可夫随机场模型,利用图切算法求解下式中的目标函
    数,更新标签向量s:


    其中,的取值如下式所述:



    式中,s[i]是第i个像素的标签值,是第i个像素的重构误差值,μ是一个常数,
    控制不同像素之间相互作用的强度,τ是一个阈值。

    S8、迭代执行S3-S7,直至算法收敛或达到最大收敛次数,此时测试人脸样本合理
    的带遮挡区域已被检测出来。

    S9、采用解l2约束最小化的方法,通过求解下式中的目标函数对测试人脸样本y的
    未遮挡区域部分进行l2稀疏编码:


    式中,||·||2表示向量的l2范数,x表示稀疏编码系数,argminx||x||2表示取使x
    的l2范数最小对应的x,y*表示测试人脸样本的未遮挡区域,A*表示标准化学习字典的未遮
    挡区域,θ是一个平衡前后两项的正数;

    所述步骤S9中的测试人脸样本未遮挡区域l2稀疏编码的目标函数的求解具有解
    析解,如下面流程所述:

    S901、求出投影矩阵P:


    式中,A*表示标准化学习字典的未遮挡区域,I矩阵是单位矩阵,(·)-1表示取逆操
    作,θ是S109所述目标函数中平衡前后两项的正数;

    S902、求出l2稀疏编码:


    式中,表示l2稀疏编码系数,y*表示测试人脸样本的未遮挡区域。

    S10、利用求解出的稀疏编码,逐类求出该类对应的重构图像以及该重构图像与原
    测试图像之间的重构误差:


    式中,表示第i类的重构误差,y*表示测试人脸样本的未遮挡区域,Ai*表示第i类
    训练样本图像组成的子字典的未遮挡区域,表示第i类的稀疏编码系数。

    S11、根据每一类的重构误差,选择具有最小重构误差的类作为y的类别:


    式中,identity(y)表示测试人脸样本类别,表示第i类的重构误差,表示第i
    类的稀疏编码系数,表示取使最小的类别i;

    S12、输出测试人脸样本的识别结果。

    图2给出了六种算法的分类精度随着随机遮挡面积变大而变化的曲线图,表1给出
    了六种算法在处理50%随机遮挡时的运行时间。六种对比方法分别为:SRC,SEC_MRF,
    Collaborative Representation based Classification with Regularized Least
    Square(简称CRC_RLS),Robust Sparse Coding(简称RSC),Sparse Illumination
    Transfer(简称SIT)以及本发明??梢钥吹郊词乖?0%遮挡面积的情况下,本发明的识别率
    只比SEC_MRF略低0.7%,但是运行速度却是SEC_MRF的2.5倍左右,因此更适用于实时场景。

    表1.六种算法在处理50%随机遮挡时的运行时间





    实施例二

    本发明还提供了一种快速处理人脸遮挡的人脸识别装置,一种具体实施方式的结
    构示意图如图3所示,该装置包括:

    获取???00,用于获取测试人脸样本及标准化学习字典;

    检测???00,用于利用带局部约束的目标函数求出所述测试人脸样本未遮挡部
    分的局部约束编码,利用马尔可夫随机场对所述测试人脸样本遮挡区域建模并迭代更新,
    直至最终检测完成;

    稀疏编码???00,用于利用带l2范数约束的目标函数获取所述测试人脸样本的
    未遮挡区域的稀疏表达;

    计算重构误差???00,用于利用逐类生成每类对应的重构人脸,求出每类重构人
    脸与所述测试人脸样本之间的重构误差;

    输出???00,用于查找具有最小重构误差对应的类,将其确定为所述测试人脸样
    本的类别并将其输出。

    具体应用中,所述获取???00包括:

    获取测试样本子???01,用于获取人脸图像数据并转化为测试人脸样本;

    建立训练样本集子???02,用于建立训练人脸样本集;

    获取学习字典子???03,用于利用所述训练人脸样本集构造过完备学习字典;

    标准化学习字典子???04,用于将所述学习字典每一个训练样本标准化;

    存储标准化学习字典子???05,用于将所述标准化后的学习字典以及每个训练
    样本图像的已知类别进行存储。

    具体应用中,所述检测???00包括:

    获取未遮挡区域子???01,用于获取所述测试人脸样本和所述标准化学习字典
    当前带有未遮挡标签的像素点;

    生成距离字典子???02,用于计算所述测试人脸样本当前标定未遮挡区域与所
    述标准化学习字典中每一个训练样本图像的当前标定未遮挡区域之间的欧式距离,并生成
    距离字典;

    局部约束编码子???03,用于利用所述距离字典、所述标准化学习字典计算所述
    测试人脸样本未遮挡区域的局部约束编码;

    计算编码误差子???04,用于计算所述测试人脸样本未遮挡区域的局部约束编
    码生成重构人脸与所述测试人脸样本之间的编码误差;

    更新遮挡区域子???05,利用马尔可夫随机场对所述测试人脸样本遮挡区域建
    模并根据所述编码误差更新遮挡区域;

    判断子???06,用于判断是否达到最大迭代次数,如果是,则进入未遮挡区域稀
    疏编码???,反之,则回到获取未遮挡区域像素子???。

    本发明提供的快速处理人脸遮挡的人脸识别装置其他具体设置与上述实施例提
    供的人脸识别方法相似,在此不再赘述。

    综上所述,本发明所提供的一种快速处理人脸遮挡的人脸识别方法及装置,首先
    快速识别出测试人脸样本的遮挡部分,然后对测试人脸样本的未遮挡部分进行稀疏编码,
    逐类计算重构误差,并根据类别判定公式确定测试人脸样本的类别。

    值得注意的是,上述装置实施例中,所包括的各个??橹皇前凑展δ苈呒谢?br />分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各??榈木咛迕?br />也只是为了便于相互区分,并不用于限制本发明的?;し段?。

    对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。
    对实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文所定义的一般原
    理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会
    被限制于本文所示的实施例,而是要符合于本文所公开的原理和新颖特点相一致的最宽的
    范围。

    关 键 词:
    一种 快速 处理 遮挡 识别 方法 装置
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:一种快速处理人脸遮挡的人脸识别方法及装置.pdf
    链接地址://www.4mum.com.cn/p-6093018.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03