[发明专利]一种基于图像检索和特征权重学习的人脸识别方法

权利要求书

1.一种基于图像检索和特征权重学习的人脸识别方法，其特征在于，包括：

步骤一：生成训练样本图像集A和样本图像特征集F：

S11收集人脸图像生成训练样本图像集A；

S12使用SDM算法和仿射变换将人脸图像旋转到水平位置并且做尺度归一化；

S13提取训练样本图像集A中每一张人脸图像的SIFT特征f_i'，以及每个SIFT特征f_i'对应的几何坐标z_i，得到一个M×130的特征集，其中M为每张人脸图像的特征点个数；每个特征点f_i由一个128维的SIFT特征f_i'加上2维相对应的几何坐标z_i组成，对SIFT特征f_i'做l₂范数归一化，根据人脸尺寸对几何坐标z_i做l₁范数归一化；单个特征点表示如下：

f_i＝[f_i',αz_i],0≤α≤1,

z_i＝(x,y),i＝1,…M；

其中，参数α是用来调节位置信息在SIFT特征匹配中的权重，x,y为特征点在人脸图像上的横纵坐标；

S14将所有人脸图像的特征点的集合作为样本图像特征集F；

步骤二：检索得到匹配人脸图像子集D_t：

S21对样本图像特征集F采用K-means方法进行聚类，生成K个聚类；

S22用步骤一中S13所述的方法提取待识别人脸图像Q的特征集，得到待识别人脸图像特征集F_Q；

S23用欧几里得度量法，做最近邻查找，将待识别人脸图像特征集F_Q中的每一个特征点分配到K个聚类中与之最近的那些聚类中去；将包含待识别人脸图像特征集F_Q中特征点的那些聚类作为聚类集合K_Q；

S24将训练样本图像集A中所有包含有聚类集合K_Q中任意一个特征点的人脸图像提取出来，作为匹配人脸图像子集D_t；

步骤三：计算并筛选得到相似人脸图像子集D_s：

S31计算K个聚类中每个聚类的逆文档频率idf(k)：

idf(k)=Nn(k),]]>

其中，k表示聚类的标号，N表示训练样本图像集A中的人脸图像总数，n(k)表示训练样本图像集A中包含有第k个聚类中任意一个特征点的人脸图像数量；

S32计算待识别人脸图像Q和匹配人脸图像子集D_t中每个匹配人脸图像d_t的相似度S(Q,d_t)，

S(Q,dt)=Σk=1KΣ(fi,gj)fi∈dt,gj∈Qe(fi)=e(gj)||L(fi)-L(gj)||<ϵidf(k)tfQ(k)·tfdt(k),]]>

其中，tf_Q(k)表示待识别人脸图像特征集F_Q中被分配到第k个聚类的特征点的数量；表示某个匹配人脸图像d_t所有特征点中存在于第k个聚类的特征点的个数；f_i为匹配人脸图像d_t的特征点，g_j表示待识别人脸图像Q的特征点，(f_i,g_j)表示两个特征点匹配，e(f_i)＝e(g_j)表示两个特征点属于相同的聚类；函数L(f_i)和L(g_j)分别表示特征点f_i和g_j的类别信息，||L(f_i)-L(g_j)||<ε表示特征点在空间位置上具有连续性；

S33对匹配人脸图像子集D_t中所有匹配人脸图像d_t按照相似度S(Q,d_t)降序排列，取前R个人脸图像组成相似人脸图像子集D_s；

步骤四：在线特征点权重学习：

S41用步骤一中S13所述的方法提取相似人脸图像子集D_s特征点，生成相似人脸图像特征集F_s，将特征集F_s中每个特征点对应的权重初始化为一个统一的数值ω₀；

S42对特征集F_s中的每一个特征点f_i作最近邻查找，找到f_i的最近邻特征点f_j，如果f_j和f_i的类别标签一致，那么f_j的权重增大，否则减小；如果某个特征点f_j被n个特征点查找为最近邻特征点，则它的权重需被修改n次；将特征点f_j原始权重表示为ω¹(f_j)＝ω₀，则特征点f_j经过n次修改后的权重ωⁿ⁺¹(f_j)通过如下迭代公式实现：

ωⁿ⁺¹(f_j)＝ωⁿ(f_j)(ω₀+Δω),L(f_j)＝L(f_i),

ωⁿ⁺¹(f_j)＝ωⁿ(f_j)(ω₀-Δω),L(f_j)≠L(f_i),

S43对所有修改后的特征点权重作l₁范数归一化，得到带权重特征库；

步骤五：在线特征对权重学习：

S51将带权重特征库中的特征点按权重值降序排列，取前2m个特征点，随机组合成m组特征对P＝{p₁,p₂,...p_m}，将每个特征对对应的权重初始化为一个统一的数值w₀；

S52对m组特征对P＝{p₁,p₂,...p_m}中的每一对特征对p_u作最近邻查找，找到p_u的最近邻特征对p_v，如果p_v和p_u的类别标签一致，那么p_v的权重增大，否则减小；如果某个特征对p_v被n个特征对查找为最近邻特征对，则它的权重需被修改n次；将特征对p_v原始权重表示为w¹(p_v)＝w₀，则特征点p_v经过n次修改后的权重wⁿ⁺¹(p_v)通过如下迭代公式实现：

wⁿ⁺¹(p_v)＝λwⁿ(p_v)(w₀+Δw),L(p_v)＝L(p_u),

wⁿ⁺¹(p_v)＝λwⁿ(p_v)(w₀-Δw),L(p_v)≠L(p_u),

其中，λ是用来进一步调整特征对权重的参数；

S53对所有修改后的特征对权重作l₁范数归一化，得到带权重特征对库；

步骤六：人脸识别：

S61从带权重特征库中寻找待识别人脸图像Q的特征点g_j的最近邻特征点，将该最近邻特征点的权重投给特征点g_j所属的类别，进而得到每个类别的特征点投票得分S_single；

S62对待识别人脸图像Q的所有特征点随机选择出特征对G_J，从带权重特征对库中寻找特征对G_J的最近邻特征对，并将该最邻近特征对的权重投给特征对G_J所属的类别，得到每个类别的特征对投票得分S_pair；

S63将每个类别的特征点投票得分S_single和特征对投票得分S_pair分别相加，得到每个类别的最终得分，将最终得分最高的那个类别标签赋予待识别人脸图像Q。