[发明专利]遮挡人脸识别方法及装置

说明书

技术领域

本发明涉及数据处理领域，具体而言，涉及一种遮挡人脸识别方法及装置。

背景技术

在日常生活中，人们通过视觉、听觉、触觉、味觉及嗅觉进行信息获取。在获得的各种信息中，有一大半是视觉信息，即图像信息。而人脸图像是人类情感表达和交流中最重要、最直接的载体，它可反映出一个人的种族、年龄、个性、情绪状态，甚至是一个人的健康状况、身份和地位等信息。因此，从早期的绘画、雕像、表演等艺术领域到照相、摄影和电影电视等技术的出现，对人脸的描述和刻画一直受到人们的广泛关注。

人脸识别经过半个世纪的发展，在可控环境下，已经达到了实用的水平。但是在非可控环境下，面对诸如姿态、年龄变化，尤其是整形和遮挡时，人脸识别仍然存在巨大挑战。在实际应用的自然场景中，摄像装置拍摄的人脸往带有帽子、墨镜、围巾等遮挡，给人脸识别带了巨大困难。

发明内容

有鉴于此，本发明实施例的目的在于提供一种遮挡人脸识别方法及装置。

本发明提供的技术方案如下：

一种遮挡人脸识别方法，所述方法包括：

将获得的遮挡人脸图像按照预设规则分块，得到多个人脸块；

将采集得到的遮挡人脸图像和人脸块通过字典训练算法训练得到人脸块鉴别字典；

建立每个所述人脸块对应的人脸块稀疏表示模型，计算各个所述人脸块稀疏表示模型的稀疏表示系数；

根据各个所述人脸块稀疏表示模型的稀疏表示系数，对所述人脸块进行分类；

采用动态股权投票制融合各个人脸块的分类结果，得到最终的人脸类别。

进一步地，将获得的遮挡人脸图像按照预设规则分块，得到多个人脸块的步骤包括：

将每个遮挡人脸图像进行归一化处理；

将归一化处理后的遮挡人脸图像按照m行n列划分为m*n个人脸块；

将m*n个人脸块加上原始的完整的遮挡人脸图像，形成m*n+1个人脸块，其中，m、n为大于2的整数。

进一步地，将采集得到的遮挡人脸图像和人脸块通过字典训练算法训练得到人脸块鉴别字典的步骤包括：

构建人脸块鉴别字典学习模型，将获得的不同的遮挡人脸图像进行分块后分别得到的人脸块组成人脸块训练样本集，

根据所述人脸块训练样本集与所述初始人脸块识别字典表示预估训练集误差得到鉴别保真项；

设定所述人脸图像训练集的系数矩阵的稀疏约束项；

根据Fisher准则设定所述系数矩阵对应的鉴别约束项；

根据所述鉴别保真项、系数矩阵的稀疏约束项及鉴别约束项计算得到鉴别字典学习模型；

对所述鉴别字典学习模型进行训练得到所述人脸块鉴别字典。

进一步地，构建的人脸块鉴别字典学习模型为：

其中，r(A,D,X)为鉴别保真项，||X||₁为稀疏约束项，f(X)为鉴别约束项，λ₁,λ₂为平衡因子参数。

进一步地，所述根据Fisher准则计算所述系数矩阵对应的鉴别约束项的步骤包括：

根据Fisher准则定义加权类间散布矩阵S_B和加权类内散布矩阵S_W；

其中，加权类间散布矩阵S_B定义如下：

其中，C为类别数；p_i为类i的先验概率；μ_i为第i类系数X_i的均值，μ_j为第j类系数的均值，w(i,j)为第i类和第j类的权值；

其中，

其中，n为向量的维数，μ_i(k),μ_j(k)分别表示第i,j类均值向量中第k个特征；γ(μ_i(k),μ_j(k))为第i类与第j类均值向量中第k个特征的关联系数，定义如下：

其中，加权类内散布矩阵S_W定义如下：

其中，表示第i类中第j个样本系数；

其中，

其中，参数t为经验常数；

根据所述加权类间散布矩阵S_B和加权类内散布矩阵S_W计算得到所述鉴别约束项，所述鉴别约束项表示为：

其中，tr(·)表示矩阵的迹操作，η为常量参数，为添加的弹性项。