[发明专利]基于分布式压缩传感的近红外与可见光图像人脸识别方法

说明书

技术领域

本发明涉及一种人脸图像识别方法，更具体的说是一种基于分布式压缩传感理论的近红外与可见光人脸图像识别方法。

背景技术

随着信息以及网络技术的发展，最近几年人脸识别已经成为模式识别领域最受关注的问题之一。人脸识别具有极高的学术研究价值和广阔的商业应用前景。人脸识别方法主要包括：基于几何特征的方法，基于模板匹配的方法和基于学习的方法等。当人脸图像处于友好的环境时，当前的人脸识别方法可以取得比较准确的结果。而当前人脸识别的难点主要包括复杂的光照变化，强烈的表情和姿势变化。基于可见光图像的人脸识别取得了很大的成功，然而可见光图像受环境光照情况变化影响较大。为了解决这个问题，一些改进的算法被陆续提出以解决这个问题，取得了较好的效果，仍有许多复杂环境人脸识别无法取得理想的效果。先前的研究(S.Singh，A.Gyaourova，G.Bebis，and I.Pavlidis，“Infrared and Visible Image Fusion for Face Recognition”，In proceedings of SPIE，vol.5404，pp.585-596，2004.)表明，红外图像与可见光图像具有互补性，具有对于光照变化鲁棒的特点。一般红外传感器对于周围的光线不是很敏感。因此，通过采用红外图像的红外谱信息，人脸识别可以得到更加光照鲁棒的结果，提高了无控制环境的识别效果。但是红外图像经常损失一些与脸部纹理有关的信息，导致识别性能受限。与红外光图像相反，可见光图像对于表情变化和姿势变化鲁棒。因此，我们可以针对不同的环境，同时采用不同类型的传感器采集图像。从图像观点，近红外图像和可见光图像可以扑捉观测脸的不同特征，因此，可以通过利用两种谱图像的互补信息，得到目标图像的特殊描述算子。

最近基于稀疏表示理论的人脸识别方法被提出，并且在人脸识别方面表现出了很好的效果。然而基于稀疏表示的识别方法需要大量的训练样本，以保证检验图像在训练图像库中是稀疏的。更重要的是，基于稀疏表示的识别方法对于图像配准的要求较高，当训练和测试图像没有经过配准时，识别效果较差。

发明内容

为了解决人脸图像识别方法存在的上述技术问题，本发明提供了一种识别精度高、鲁棒性好基于分布式压缩传感的近红外图像及其对应的可见光图像融合识别的方法。

本发明解决上述技术问题的技术方案包括以下步骤：

1)将人脸图像从训练图像中切割出来；

2)将切割出来的图像进行归一化处理，按顺序切割成块；

3)将近红外图像和及其对应的可见光图像块分别表示成一维列向量形式；

4)分别将近红外图像和可见光图像表示为共同部分和差异部分的和；

5)将共同部分和差异部分进行联合稀疏表示，通过求解最小l₀范数问题得到联合稀疏表示系数；

6)将上两步中近红外图像与可见光图像通过联合稀疏表示进行融合得到的共同部分所对应的稀疏系数作为训练图像类别判定特征；

7)对测试图像进行步骤1)到步骤6)的相同处理，得到测试图像类别判定特征，计算训练图像类别判定特征与测试图像类别判定特征之间的最小欧式距离，根据每幅图像切割成的所有块与指定目标类的最小距离和来确定所属目标类。

上述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法中，所述步骤1)的步骤为：对训练图像采用局部连续均值量化变换特征方法进行人脸检测，将检测到的人脸图像切割出来。

上述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法中，所述步骤2)中图像块的大小为10(Pixel)×10(Pixel)。

上述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法中，所述步骤5)的步骤为：将每类的共同部分和差异部分进行联合稀疏表示，通过最小l₀范数问题求解得到稀疏系数向量特征。

由于采用上述技术方案，本发明的技术效果是：本发明采用了近红外人脸图像为识别目标，解决了人脸识别问题中的光照问题，即使在极度恶劣情况下，也可以准确识别；本发明采用分布式压缩传感理论中的联合稀疏表示方法来融合可见光图像与其对应的近红外图像，可以很好地保持可见光图像中的纹理信息，而近红外图像又可以弥补光照对于人脸图像的影响，这样的结合，有效地提高识别效果而且对于图像中表情、姿势变化有一定鲁棒性，即使对于存在缺损像素的图像也可以准确识别。

下面结合附图对本发明作进一步的说明。

附图说明