一種基于圖像檢索和特征權(quán)重學習的人臉識別方法
【專利摘要】一種基于圖像檢索和特征權(quán)重學習的人臉識別方法，步驟如下：生成訓練樣本圖像集A和樣本圖像特征集F；檢索得到匹配人臉圖像子集Dt；計算并篩選得到相似人臉圖像子集Ds；在線特征點權(quán)重學習；在線特征對權(quán)重學習；人臉識別。本發(fā)明系統(tǒng)實現(xiàn)簡單，分布性能好，適用于數(shù)據(jù)量較大的人臉識別應用場合，能夠達到人臉識別的快速、高效、精準的要求，能很好的應用于實際人臉識別需求中。
【專利說明】-種基于圖像檢索和特征權(quán)重學習的人臉識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機視覺【技術(shù)領(lǐng)域】，具體為一種基于圖像檢索和特征權(quán)重學習的人 臉識別方法。

【背景技術(shù)】
[0002] 由于其在公共安全、人機交互、財產(chǎn)安全等領(lǐng)域的廣泛應用，人臉識別已經(jīng)成為了 一個非?；钴S的研究領(lǐng)域。以往的研究主要限制在實驗室拍攝環(huán)境。但是，當我們需要處 理真實場景下的人臉識別問題時，這些針對于實驗室環(huán)境的人臉識別算法效果隨著光照、 表情、遮擋等的變化產(chǎn)生了極大的下降。相同的人臉由于拍攝條件的不同可能產(chǎn)生很大的 差異性，這無疑給真實場景下的人臉識別問題帶來了很大的難度。同時，由于現(xiàn)代社交網(wǎng)絡(luò) 的發(fā)展，圖片數(shù)據(jù)大量增加，一些常用的搜索手段在識別的準確性、系統(tǒng)的泛化能力以及識 別的速度上都存在著不足。


【發(fā)明內(nèi)容】

[0003] 針對上述問題，本發(fā)明的目的在于提供一種能夠快速準確識別出人臉基于圖像檢 索和特征權(quán)重學習的人臉識別方法。
[0004] 為解決上述的技術(shù)問題，本發(fā)明采用以下技術(shù)方案：一種基于圖像檢索和特征權(quán) 重學習的人臉識別方法，包括：
[0005] 步驟一：生成訓練樣本圖像集A和樣本圖像特征集F :
[0006] S11收集人臉圖像生成訓練樣本圖像集A ;
[0007] S12使用SDM算法和仿射變換將人臉圖像旋轉(zhuǎn)到水平位置并且做尺度歸一化；
[0008] S13提取訓練樣本圖像集A中每一張人臉圖像的SIFT特征f/，以及每個SIFT特 征f/對應的幾何坐標Zi，得到一個MX 130的特征集，其中Μ為每張人臉圖像的特征點個 數(shù)；每個特征點Α由一個128維的SIFT特征f/加上2維相對應的幾何坐標 Zi組成，對 SIFT特征f/做12范數(shù)歸一化，根據(jù)人臉尺寸對幾何坐標Zi做^范數(shù)歸一化；單個特征點 表示如下：
[0009] fj = [f/ , a zj, 0 ^ a :? 1,
[0010] =
[0011] 其中，參數(shù)α是用來調(diào)節(jié)位置信息在SIFT特征匹配中的權(quán)重，x，y為特征點在人 臉圖像上的橫縱坐標；
[0012] S14將所有人臉圖像的特征點的集合作為樣本圖像特征集F。
[0013] 步驟二：檢索得到匹配人臉圖像子集Dt :
[0014] S21對樣本圖像特征集F采用K-means方法進行聚類，生成K個聚類；
[0015] S22用步驟一中S13所述的方法提取待識別人臉圖像Q的特征集，得到待識別人臉 圖像特征集Fq;
[0016] S23用歐幾里得度量法，做最近鄰查找，將待識別人臉圖像特征集FQ中的每一個特 征點分配到K個聚類中與之最近的那些聚類中去；將包含待識別人臉圖像特征集FQ中特征 點的那些聚類作為聚類集合KQ ;
[0017] S24將訓練樣本圖像集A中所有包含有聚類集合&中任意一個特征點的人臉圖像 提取出來，作為匹配人臉圖像子集Dt。
[0018] 步驟三：計算并篩選得到相似人臉圖像子集Ds :
[0019] S31計算K個聚類中每個聚類的逆文檔頻率idf (k):
[0020]

【權(quán)利要求】
1. 一種基于圖像檢索和特征權(quán)重學習的人臉識別方法，其特征在于，包括： 步驟一：生成訓練樣本圖像集A和樣本圖像特征集F : S11收集人臉圖像生成訓練樣本圖像集A ; S12使用SDM算法和仿射變換將人臉圖像旋轉(zhuǎn)到水平位置并且做尺度歸一化； S13提取訓練樣本圖像集A中每一張人臉圖像的SIFT特征f/，以及每個SIFT特征f/ 對應的幾何坐標Zi，得到一個ΜX 130的特征集，其中Μ為每張人臉圖像的特征點個數(shù)；每個 特征點fi由一個128維的SIFT特征f/加上2維相對應的幾何坐標 Zi組成，對SIFT特征 f/做范數(shù)歸一化，根據(jù)人臉尺寸對幾何坐標Zi做h范數(shù)歸一化；單個特征點表示如下：
其中，參數(shù)α是用來調(diào)節(jié)位置信息在SIFT特征匹配中的權(quán)重，x，y為特征點在人臉圖 像上的橫縱坐標； S14將所有人臉圖像的特征點的集合作為樣本圖像特征集F ; 步驟二：檢索得到匹配人臉圖像子集Dt : S21對樣本圖像特征集F采用K-means方法進行聚類，生成K個聚類； S22用步驟一中S13所述的方法提取待識別人臉圖像Q的特征集，得到待識別人臉圖像 特征集FQ ; S23用歐幾里得度量法，做最近鄰查找，將待識別人臉圖像特征集FQ中的每一個特征點 分配到K個聚類中與之最近的那些聚類中去；將包含待識別人臉圖像特征集匕中特征點的 那些聚類作為聚類集合KQ; S24將訓練樣本圖像集A中所有包含有聚類集合&中任意一個特征點的人臉圖像提取 出來，作為匹配人臉圖像子集Dt ; 步驟三：計算并篩選得到相似人臉圖像子集Ds : S31計算K個聚類中每個聚類的逆文檔頻率idf(k):
其中，k表示聚類的標號，N表示訓練樣本圖像集A中的人臉圖像總數(shù)，n(k)表示訓練 樣本圖像集A中包含有第k個聚類中任意一個特征點的人臉圖像數(shù)量； S32計算待識別人臉圖像Q和匹配人臉圖像子集Dt中每個匹配人臉圖像dt的相似度 S(Q，dt)，
其中，tfQ(k)表示待識別人臉圖像特征集FQ中被分配到第k個聚類的特征點的數(shù)量； ?/4(幻表示某個匹配人臉圖像dt所有特征點中存在于第k個聚類的特征點的個數(shù)A為匹 配人臉圖像dt的特征點，gj表示待識別人臉圖像Q的特征點，況，gj)表示兩個特征點匹配， e(fi) =e(gj表示兩個特征點屬于相同的聚類；函數(shù)L(fi)和L(gp分別表示特征點心和 gj的類別信息，I |L(fi)-L(gj) I |〈 ε表示特征點在空間位置上具有連續(xù)性； S33對匹配人臉圖像子集Dt中所有匹配人臉圖像dt按照相似度S(Q，dt)降序排列，取 前R個人臉圖像組成相似人臉圖像子集Ds ; 步驟四：在線特征點權(quán)重學習： S41用步驟一中S13所述的方法提取相似人臉圖像子集Ds特征點，生成相似人臉圖像 特征集Fs，將特征集Fs中每個特征點對應的權(quán)重初始化為一個統(tǒng)一的數(shù)值; S42對特征集匕中的每一個特征點&作最近鄰查找，找到&的最近鄰特征點&，如果 fj和A的類別標簽一致，那么A的權(quán)重增大，否則減??；如果某個特征點A被η個特征點查 找為最近鄰特征點，則它的權(quán)重需被修改η次；將特征點&原始權(quán)重表示為ωΥΑ) = ω(ι， 則特征點fj經(jīng)過η次修改后的權(quán)重ωη+1 (fp通過如下迭代公式實現(xiàn)：
S43對所有修改后的特征點權(quán)重作^范數(shù)歸一化，得到帶權(quán)重特征庫； 步驟五：在線特征對權(quán)重學習： S51將帶權(quán)重特征庫中的特征點按權(quán)重值降序排列，取前2m個特征點，隨機組合成m組 特征對P = {Pl，p2,. . . pm}，將每個特征對對應的權(quán)重初始化為一個統(tǒng)一的數(shù)值％ ; S52對m組特征對P = {pp p2,. . . pm}中的每一對特征對pu作最近鄰查找，找到pu的最 近鄰特征對Pv，如果Pv和Pu的類別標簽一致，那么Pv的權(quán)重增大，否則減?。蝗绻硞€特征 對P v被η個特征對查找為最近鄰特征對，則它的權(quán)重需被修改η次；將特征對pv原始權(quán)重 表示為w 1 (pv) = W(l，則特征點pv經(jīng)過η次修改后的權(quán)重wn+1 (pv)通過如下迭代公式實現(xiàn)：
其中，λ是用來進一步調(diào)整特征對權(quán)重的參數(shù)； S53對所有修改后的特征對權(quán)重作^范數(shù)歸一化，得到帶權(quán)重特征對庫； 步驟六：人臉識別： S61從帶權(quán)重特征庫中尋找待識別人臉圖像Q的特征點&的最近鄰特征點，將該最近 鄰特征點的權(quán)重投給特征點&所屬的類別，進而得到每個類別的特征點投票得分Ssingle ; S62對待識別人臉圖像Q的所有特征點隨機選擇出特征對從帶權(quán)重特征對庫中尋 找特征對GT的最近鄰特征對，并將該最鄰近特征對的權(quán)重投給特征對GT所屬的類別，得到 每個類別的特征對投票得分S p& ; S63將每個類別的特征點投票得分Ssingle和特征對投票得分S_分別相加，得到每個類 別的最終得分，將最終得分最高的那個類別標簽賦予待識別人臉圖像Q。
2. 根據(jù)權(quán)利要求1所述的一種基于圖像檢索和特征權(quán)重學習的人臉識別方法，其特征 在于，所述R等于匹配人臉圖像子集Dt中人臉圖像數(shù)量的十分之一。
3. 根據(jù)權(quán)利要求1或2所述的一種基于圖像檢索和特征權(quán)重學習的人臉識別方法其特 征在于，所述m等于相似人臉圖像特征集Fs中特征點數(shù)量的十分之一。
【文檔編號】G06K9/46GK104143088SQ201410360031
【公開日】2014年11月12日 申請日期:2014年7月25日 優(yōu)先權(quán)日:2014年7月25日
【發(fā)明者】程洪, 王玉琢, 楊路 申請人:電子科技大學