專利名稱：一種基于相關特征和非線性映射的固定視角人臉超分辨率識別方法
技術領域：
本發(fā)明涉及人臉識別領域，具體的涉及一種基于相關特征和非線性映射的固定視角人臉超分辨率識別方法。
背景技術：
人臉識別是一種重要的生物認證技術，近三十年來，研究人員提出了大量的方法， 并已廣泛用于視頻監(jiān)控等安全保障系統(tǒng)中。但是，由于距離和硬件條件等的限制，在大場景視頻監(jiān)控系統(tǒng)中拍攝的感興趣人臉圖像分辨率往往比較低，另一方面進行監(jiān)控時，往往不能對被監(jiān)控對象進行約束，感興趣人臉圖像常常存在著非正面人臉圖像，而與之相對應的系統(tǒng)中登記在冊的往往是被監(jiān)控對象的某種固定視角的高分辨率圖像(這個固定視角通常為正面)，從而降低了人臉識別的性能。如何在低分辨率及視角變化的條件下提高識別效果，是目前人臉識別需要解決的問題。在視角變化和分辨率變化的雙重干擾下的人臉識別研究工作較少，大致可以分為兩類。第一類為借助多視角識別庫的幫助，通過識別庫中與測試圖像相同人物相似視角圖像的輔助，較好地完成視角變化下的低分辨率人臉識別。此類方法在識別庫人臉僅由一種固定視角構成時效果將大大下降或者直接無法工作。而第二類方法為通過逐步實現(xiàn)視角變化和分辨率增強兩個步驟完成視角變化下的低分辨率人臉識別。該類方法可以工作在識別庫人臉僅由一種固定視角構成的條件下，但視角變化和分辨率增強兩步均會引入誤差，兩步的誤差疊加不利于最終的識別。

發(fā)明內容
本發(fā)明的目的在于克服上述現(xiàn)有技術的缺點，提出了一種基于相關特征和非線性映射的固定視角人臉超分辨率識別方法。為了達到上述目的，本發(fā)明采用的技術方案是1)首先，利用訓練數(shù)據(jù)為每一個固定視角到識別庫視角的超分辨率識別單獨建立一個變換模型和識別模型，有多少個固定視角，就建立多少個變換模型和識別模型；2)然后，估計測試低分辨率圖像的視角；3)最后，將測試低分辨率圖像按步驟幻中估計的視角，輸入到步驟1)中的變換和識別模型中進行識別。步驟1)中單獨建立一個變換和識別模型，其中單獨建立一個變換模型包含以下步驟1)分別利用經典的主成分分析方法提取固定視角訓練低分辨率圖像和識別庫視角訓練高分辨人臉圖像的識別特征給定一組固定視角的低分辨率訓練人臉圖像和另一固定視角的高分辨率訓練人臉圖像，為不失一般性，假設給定的低分辨率固定視角為側面視角，假設給定的高分辨率視角為正面視角。分別用嚴={/；"},=(/廣C)和廣=(/Λ...,O表示，其中m表示訓練樣本個數(shù)，下標代表樣本標號，上標nl，fh分別表示側面低分辨率和正面高分分辨。分別計算出對應的側面低分辨率均值μnl與PCA基矩陣，正面高分辨率均值μ fh與PCA基矩陣<，對應的側面低分辨率PCA特征y111和正面高分辨率PCA特征yfh，可以用下面的算式求出，其中上標T表示矩陣轉置操作
yf =^1YiI- -μ"1)
yf =(9^ (If1-μ1")2)利用上述所提取兩組識別特征作為訓練數(shù)據(jù)，根據(jù)典型相關分析(Canonical Correlation Analysis, CCA)算法得到映射基向量，根據(jù)此映射基向量將識別特征轉換為相關特征采用r"w，m” =Cy1M..,Zf分別表示側面低
分辨率PCA特征和正面高分辨率PCA特征，其中m表示訓練樣本的數(shù)目，用 F'=Fri-￡(廣)與穴=P-E(P)分別表示對應的去中心化數(shù)據(jù)，Ε(·)表示數(shù)學期望， Vfh和Vnl分別表示對應的正面高分辨率和側面低分辨率典型相關變換矩陣，Vfh和Vnl可由典型相關分析的算法求得。計算對應的側面低分辨率相關特征Cnl和正面高分辨率相關Cfh 特征Qnl =(γη1γγη1Cjh=(Fjh)rYjh3)利用徑向基函數(shù)(Radial Basis Function, RBF)在相關空間中建立兩種不同視角不同分辨率訓練人臉圖像相關特征之間的映射關系，根據(jù)此映射關系得到測試低分辨率人臉圖像對應的識別庫視角下的高分辨率相關特征的估計對于輸入的側面低分辨率圖像<，其中t表示一個測試樣本的標號，其對應的PCA
特征被計算出來
Z = (Z)W)把側面低分辨率PCA特征投影到相關空間cf = (V"' f (yf - EiYnl))采用訓練得到的徑向基函數(shù)將側面低分辨率相關特征cf非線性映射得到正面高
分辨率相關特征cf 其中樹= -C^ +1為所用的多維二次曲面徑向基函數(shù)，T為矩陣
轉置運算，W為訓練得到的權值矩陣，W的計算表達式為W = Cfh · inv ( Φ + τ Ε)
其中inv表示對矩陣的求逆運算，τ為一個很小的正常數(shù)，取值范圍為0. 001 0. 1，E為單位矩陣，Φ為一個數(shù)據(jù)矩陣，可以由訓練數(shù)據(jù)計算得到，計算表達式為
權利要求
1.一種基于相關特征和非線性映射的固定視角人臉超分辨率識別方法，其特征在于 包含以下步驟1)首先，利用訓練數(shù)據(jù)為每一個固定視角到識別庫視角的超分辨率識別單獨建立一個變換模型和識別模型，有多少個固定視角，就建立多少個變換模型和識別模型；2)然后，估計測試低分辨率圖像的視角；3)最后，將測試低分辨率圖像按步驟幻中估計的視角，輸入到步驟1)中的變換和識別模型中進行識別。
2.根據(jù)權利要求1所述的基于相關特征和非線性映射的固定視角人臉超分辨率識別方法，其特征在于所述步驟1)中單獨建立一個變換和識別模型，其中單獨建立一個變換模型包含以下步驟1)分別利用經典的主成分分析方法提取固定視角訓練低分辨率圖像和識別庫視角訓練高分辨人臉圖像的識別特征給定一組固定視角的低分辨率訓練人臉圖像和另一固定視角的高分辨率訓練人臉圖像，為不失一般性，假設給定的低分辨率固定視角為側面視角，假設給定的高分辨率視角為正面視角。分別用廣={<}==(/廣和廣表示，其中m表示訓練樣本個數(shù)，下標代表樣本標號，上標nl，fh分別表示側面低分辨率和正面高分分辨。分別計算出對應的側面低分辨率均值μ nl與PCA基矩陣，正面高分辨率均值μ fh與PCA基矩陣<，對應的側面低分辨率PCA特征y111和正面高分辨率PCA特征yfh，可以用下面的算式求出，其中上標T表示矩陣轉置操作Z=(Z)W)2)利用上述所提取兩組識別特征作為訓練數(shù)據(jù)，根據(jù)典型相關分析(Canonical Correlation Analysis, CCA)算法得到映射基向量，根據(jù)此映射基向量將識別特征轉換為相關特征采用”《...’<)、YfhHymy分別表示側面低分辨率PCA特征和正面高分辨率PCA特征，其中m表示訓練樣本的數(shù)目，用 F'=Fri-￡(廣)與穴=P-E(P)分別表示對應的去中心化數(shù)據(jù)，Ε(·)表示數(shù)學期望， Vfh和Vnl分別表示對應的正面高分辨率和側面低分辨率典型相關變換矩陣，Vfh和Vnl可由典型相關分析的算法求得。計算對應的側面低分辨率相關特征Cnl和正面高分辨率相關Cfh 特征
3.根據(jù)權利要求1所述的基于相關特征和非線性映射的固定視角人臉超分辨率識別方法，其特征在于所述步驟1)中單獨建立一個變換和識別模型，其中建立一個識別模型包含以下步驟1)將識別庫視角下的高分辨率圖像按照測試圖像的視角輸入到權利要求1中步驟1) 中所述的變換模型中，利用正面高分辨率相關特征變換矩陣，獲得真實的高分辨率相關特征；2)利用基于L2范數(shù)的最近鄰分類器，利用真實的高分辨率相關特征和估計得到的高分辨率相關特征進行對比識別。
4.根據(jù)權利要求1所述的基于相關特征和非線性映射的固定視角人臉超分辨率識別方法，其特征在于所述步驟幻估計測試低分辨率圖像的視角，包含以下特征采取簡單的模板匹配的方法對測試的低分辨率圖像進行視角估計。各個視角低分辨率人臉模板由對應視角下的低分辨率訓練人臉圖像加權平均得到。當輸入測試低分辨率圖像與各個模板進行比較時，選擇誤差最小的模板對應視角為測試圖像的視角估計輸出。
全文摘要
一種基于相關特征和非線性映射的固定視角人臉超分辨率識別方法。本發(fā)明針對輸入某一未知固定視角低分辨率人臉圖像與識別庫中其他固定視角高分辨率人臉圖像的比對識別問題，提出了一種利用相關特征和非線性映射獲得固定視角高分辨率相關識別特征的方法。本發(fā)明為每一種固定視角低分辨率圖像和識別庫視角的高分辨率圖像建立一個變換模型和一個識別模型，利用典型相關分析建立固定視角低分辨率圖像和識別庫視角高分辨率圖像特征相關空間，采用徑向基函數(shù)在此相關空間建立非線性的變換模型，然后利用模板匹配的方法估計出測試圖像的視角，最后將測試圖像輸入到對應視角下的變換模型和識別模型中。本發(fā)明實現(xiàn)了對分辨率與視角變化的同時處理，所得識別率較高。
文檔編號G06K9/62GK102289679SQ20111025230
公開日2011年12月21日 申請日期2011年8月30日 優(yōu)先權日2011年8月30日
發(fā)明者曾嘯, 黃華 申請人:西安交通大學