[发明专利]人脸表示和相似度计算方法

说明书

本发明公开了一种人脸表示和相似度计算算法。在离线训练阶段收集带有标注的人脸训练集，每人包含50‑100张人脸图像，将集合中图像归一化后划分为2*2个相同大小的人脸块。对每个人脸块，稠密的提取k*k像素的小块，进行均值归零，方差归一预处理后，基于K‑means聚类学习卷积核。每个人脸块得到K个卷积图像，对整张输入人脸的K*2*2个卷积图像，分别进行均值Pooling操作和ReLU非线性操作后将所有响应图的特征拉直。对拉直后的特征，学习主成分分析（PCA）投影，经过PCA降低维度后，基于线性判别分析（LDA）算法学习判别投影，得到紧凑、鲁棒的人脸表示，对两幅图像的人脸表示进行内积运算得到相似度。

技术领域

本发明属于计算机视觉和图像处理技术领域，特别的涉及人脸的表示和相似度计算方法。

背景技术

计算机人脸识别是指基于已知的人脸样本库，利用计算机分析图像和模式识别技术从静态或动态场景中，识别或验证一个或多个人脸，利用特征提取技术抽取人脸的多个可能的特征表示，该技术被广泛的应用于公共安全，身份证明等重要场合，有效的进行人脸识别的关键在于快速，准确的进行人脸特征表示。现有技术中已经有一些人脸特征表示算法，利用卷积核对输入人脸图像进行卷积处理得到人脸的多维特征向量表示，运算涉及的卷积核选取没有充分利用丰富的人脸训练数据，特征向量的维度设置过小影响精度，设置过大影响速度，从而整体上制约了人脸特征表示以及相似度计算的准确性。

为克服现有技术的上述不足之处，本发明提出了一种基于卷积核学习的人脸表示算法和相似度计算方法，利用训练集离线学习得到的卷积核参与到人脸图像的卷积操作中，利用训练集学习得到的降维和分析矩阵进行人脸判别特征提取，在得到紧凑、鲁棒的人脸表示后，能够快速的得到图像之间的相似度，实现了准确，快读，鲁棒的人脸表示和相似度计算。

发明内容

本发明提出了一种人脸表示和相似度计算方法，其特征在于：

(1)收集生成网络人脸训练集；

(2)利用训练集中的人脸图像训练得到卷积核；

(3)利用所述卷积核，对训练集中的人脸图像进行特征表示；

(4)利用所述卷积核，对输入人脸图像进行特征表示；

(5)在训练集中的人脸图像特征表示中提取判别特征；

(6)在输入人脸图像特征表示中提取判别特征；

(7)利用判别特征，计算图像相似度。

优选的是，其中步骤(1)具体为：选择C个名人，其中c=1,2,……，C，名人对应有张图像，其中50<<100，名人对应的所有图像集合为，将训练集记为,训练集合中的图像，其中i=1,2,……，N，体现姿态、光照和表情的变化。

优选的是，其中步骤(2)具体为：将训练集中的人脸图像对齐，对齐后的人脸图像大小为128*80像素，将每幅图像划分为2*2个大小相同的人脸块，每个人脸块图像大小为64*40像素，对所有图像的所有人脸块分别进行处理，得到卷积核。

优选的是，其中对所有图像的所有人脸块分别进行处理，得到卷积核的步骤具体为：每幅图像对应位置j的人脸块记为，其中i=1,2,……N，j=1,2,3,4，在每个人脸块上提取k*k大小的小块，步长为1，则该人脸块表示为：