[发明专利]基于低秩变异字典和稀疏表示分类的人脸伪装检测及伪装类别检测方法

说明书

本发明公开了一种基于低秩变异字典和稀疏表示分类的人脸伪装检测和识别方法，包括以下步骤：利用低秩分解出的稀疏部分构造变异字典库。变异字典库包含眼镜伪装和口罩伪装。对用户提交的检索图像进行低秩分解，得到低秩部分和稀疏部分，对检索图像的稀疏部分，计算伪装检测指标的值，如果伪装检测指标的值大于给定的阈值，检索图像判定为没有伪装；小于给定的阈值，检索图像判定为有伪装，再进行下一步识别是哪一种伪装，用构造好的变异字典库对待检测的伪装进行稀疏表示，用重建误差作为分类准则，检测是哪一种伪装并对伪装进行去除。

技术领域

本发明涉及人脸伪装检测领域，尤其涉及一种基于低秩变异字典和稀疏表示分类的人脸伪装检测方法。

背景技术

人脸伪装检测作为智能监控系统的一部分，旨在解决以下主要实际问题：蓄意犯罪人员可能采用墨镜、口罩等饰物伪装面部，导致监控摄像机画面无法拍摄到完整的人脸面部图像，设计有效的人脸伪装检测方法是一种很好的解决途径。

目前为止，大多数有关人脸伪装检测的研究主要集中在基于伪装人脸识别上，而对于如何有效地从图像中检测伪装人脸的研究并不多。Dong和Soh于2006年提出的方法是采用肤色检测来分割出人脸区域，然后通过检测面部特征来判断是否存在人脸伪装；Lin和Liu提出一种基于视觉的人体跟踪系统来检测人脸伪装方法，首先对目标进行跟踪，之后用一个椭圆模板来定位人头区域，最后通过肤色检测来确定面部是否存在伪装；Inho Choi和Daijin Kim在2010年提出另一种人脸伪装检测的思路，他们首先使用基于MCT(ModifiedCensus Transform)变换的Adaboost人脸检测器检测图像中的人脸区域，然后使用眼睛和嘴巴检测器把人脸区域分割成三部分，采用神经网络分别对三个区域进行伪装和非伪装的分类，最后通过一个置信区间来整体判断人脸是否伪装；同时，Woo-han Yun等人在他们的伪装检测研究工作中叶应用了MCT变换，不同的是他们在使用MCT变换后进行Adaboost训练的过程中建立查找表，用查找表来提取特征当做得分，最后把各分类器得分的加权和做结果，再根据预先设置的阈值来进行伪装判别。然而，在人脸伪装检测的过程中，没有初步对人脸是否存在伪装进行判断。

基于稀疏表示的分类(Sparse Representation Based Classification,SRC)最初是由J.Wright等人提出并用于人脸识别的。SRC用训练样本表示测试样本，并且对特征不敏感。然而，在训练样本较少时，SRC的分类性能不够稳定。针对这个问题，Deng et al.提出了扩展的稀疏表示分类(Extended SRC，ESRC)，ESRC在SRC的基础上加入了变异字典，用训练样本和变异字典表示测试样本。变异字典的构造采用了两种方法：每类样本减去平均脸和每类样本减去一幅自然样本。然而，ESRC构造的变异字典通用性不够强并存在冗余。

图像经过低秩分解可以得到低秩部分对应的图像背景和稀疏部分对应的图像前景，然而，现有的方法主要关注其中的低秩部分，而忽略了稀疏部分隐藏的信息。低秩部分反映的是同一个人的人脸图像的共有结构，稀疏误差部分主要刻画了原始图像与低秩图像之间的差异，反映的是人脸的变化。研究表明，伪装变化引起的同一类人脸的类内变化甚至要大于不同类人脸的类间变化。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明的目的是提供一种基于低秩变异字典和稀疏表示分类的人脸伪装检测方法，以及基于低秩变异字典和稀疏表示分类的人脸伪装类别检测方法，上述方法能够有效地检索人脸图像是否带有伪装、是哪一种伪装，进而去除伪装进行人脸识别。

基于低秩变异字典和稀疏表示分类的人脸伪装检测方法：

STP1、假设有k类训练图像，将每类训练图像的每一幅人脸图像拉成一个向量：

M1＝[M1₁,M1₂,…,M1_l].

第i类不带遮挡训练图像记为：