[发明专利]基于半耦合判决性字典学习的极低分辨率人脸识别方法及系统

说明书

本发明公开了一种基于半耦合判决性字典学习的极低分辨率人脸识别算法及系统，该方法包括以下两个阶段：训练阶段和测试阶段；训练阶段包括以下两个步骤：S1、构建初始高、低分辨率表达字典；S2、更新初始高、低分辨率表达字典，得到标准矩阵集；测试阶段包括以下三个步骤：S3、获取极低分辨率人脸图像，求出相应的极低分辨率局部表达系数矩阵；S4、得到新的待测试系数矩阵集；S5、根据标准矩阵集和待测试系数矩阵集，得出识别结果。本发明提升了极低分辨率人脸图像的表达能力，提升了对极低分辨率人脸图像的识别率，识别效率高，识别速度较快；另外本方法在极低分辨率人脸图像的重建中也取得了较好的效果。

技术领域

本发明涉及人脸图像自动识别领域，尤其涉及一种基于半耦合判决性字典学习的极低分辨率人脸识别方法及系统。

背景技术

近年来，人脸识别技术在许多领域都得到了广泛的应用。然而在实际生活中，由于监控设备常常远离监控目标，图片中的目标人脸部分质量较差不易于辨认；与此同时，光照条件、表情以及姿态的变化又进一步加大了人脸识别的难度，因此，研究极低分辨率下的人脸识别技术具有十分重要的实际意义。

目前，解决极低分辨率下的人脸识别问题的传统方法大体分为两类方法：第一类是下采样高分辨率图像与样本库中的低分辨率图像进行匹配；第二类是上采样低分辨率图像去匹配高分辨率样本。第一类方法虽然也解决了由于维数不一致而导致的无法匹配问题，但是在下采样中会丢失大量的有效信息，尤其是在识别中起关键作用的高频信息部分，因此，这类方法往往得不到较好的结果。第二类方法试图通过上采样来恢复低分辨率图像的特征信息，部分学者选择超分辨率重建技术并认为重建质量的好坏是解决这类问题的关键部分。现有的超分技术的确在视觉上大大提高了图片的客观质量，但是，视觉上的质量提升并不意味着机器识别也能达到同样的效果。

事实上，不同分辨率之间的特征信息差异是造成极低分辨率图像难以识别的最为主要的原因。低分辨率图像的判决信息少于高分辨率图像，但是这并不意味着越高的图像维数越有利于识别，大量的文献表明特征信息的判决能力才是影响识别率的关键因素。

高低分辨率图像间的匹配关系理想状态下是一对一的，但是事实上两者之间是复杂的一对多的关系。由于图像在降质过程中会丢失大量的有效判决信息，图像分辨率极地时，传统的人脸幻象方法并不一定能够提高最终的识别率。此外，基于流线一致的假设，大量的超分辨率算法认为高低分辨率特征表达系数权重一直，但是事实上这种全耦合关系很难正确描述高低分辨率图像间复杂的匹配关系。

为了解决以上问题，我们提出了一种半耦合局部约束表示方法将人脸幻象与识别统一起来，该方法首先建立高低分辨率样本库，在此基础上计算不同分辨率下人脸图像在局部约束下的最优权值系数，然后利用样本库图像学习不同分辨率下的最优权值系数间的半耦合关系；最后将测试低分辨率图像与训练高分辨率图像的最优权重系数利用学习到半耦合关系投影到统一的特征空间作为待分类的特征信息，最后采用稀疏表达(sparserepresentation based classification,SRC)建立人脸图像和人脸标签之间的映射关系，实现人脸图像的识别。本算法在极低分辨率下人脸图像的重建中也取得了较好的效果。

发明内容

本发明要解决的技术问题在于针对现有技术中难以识别极低分辨率人脸图像的缺陷，提供一种利用高低分辨率样本库并结合最优权值系数进行极低分辨率人脸图像识别的基于半耦合判决性字典学习的极低分辨率人脸识别方法及系统。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于半耦合判决性字典学习的极低分辨率人脸识别算法，包括以下两个阶段：训练阶段和测试阶段；

训练阶段包括以下两个步骤：

S1、将训练样本图像分为两部分，对第一部分中的高分辨率人脸图像进行下采样得到对应的低分辨率人脸图像，将该部分的高、低分辨率人脸图像展开成列向量，构建初始高、低分辨率表达字典；