[发明专利]基于混合扩展块字典稀疏表示的单样本人脸识别方法

说明书

本发明公开了一种基于混合扩展块字典稀疏表示的单样本人脸识别方法，包括步骤(S1)：构建非目标对象的通用数据集X；步骤(S2)：构建目标对象标准样本集N；步骤(S3)：构建测试样本集Y；步骤(S4)：构建非目标对象的遮挡块字典和类内差异块字典步骤(S5)：根据上述步骤得到的混合完备扩展块字典采用SRC模型中的加权块稀疏表示分类器对目标对象待测样本y的B个块图像进行线性稀疏表示，以进行该待测样本的遮挡人脸识别。本发明首先对人脸图像分块，然后采用KDA算法分别构建目标对象的基本块字典，非目标对象的遮挡块字典和类内差异块字典，最后采用加权块稀疏表示分类器对待测样本进行准确预测，有效提高了单样本人脸识别的准确性。

技术领域

本发明涉及人机交互中识别对象仅有一个或少量标准样本的单样本人脸识别技术领域，具体涉及一种基于混合扩展块字典稀疏表示的单样本人脸识别方法。

背景技术

近年来，由于人工智能、计算机视觉、物联网通信等技术的飞速发展，人脸识别技术在实际生活中得到广泛应用，例如，智能家电、智能零售、智能监控等。然而在某些应用场景中，由于存储空间的限制以及个人隐私保护，一些人脸识别系统仅包含每个人的一张或少量正脸标准图像(即不受光照、表情、遮挡等外界因素干扰的无拍摄角度偏移的正脸图像)，例如，门禁系统、身份证闸机系统、护照验证系统等。传统的人脸识别算法在这些系统中识别效果不佳。究其原因，真实环境采集的人脸图像可能受光照、表情、配饰遮挡、姿态，甚至采集数据的时间跨度等因素的影响，这导致目标对象的待测图像可能与系统中的标准图像存在很大差异，而传统人脸识别算法无法从少量标准样本中提取出有效的类内变化信息，因此也无法对可能存在各种外界干扰因素的待测样本进行准确预测。这就产生了单样本人脸识别问题，这也是目前人脸识别研究中一个具有挑战性且极富实用价值的研究课题。

目前，基于单样本人脸识别的研究方法主要分为两类：基于数据扩增的方法(sample generation based methods)和基于通用学习方法(generic learning basedmethods)。基于数据扩增的方法主要是利用真实样本合成虚拟样本或将人脸图像分割成重叠或不重叠的图像块进行识别，其目的均是为了增加训练样本的数量，用以解决传统算法在单样本人脸识别中的局限性。代表方法有SPCA、 SVD-LDA、Modular PCA、Modular LDA、DMMA、SDMME等。这类方法虽然在单样本人脸识别中起到一定作用，但仍存在两个致命缺陷：(1)合成产生的虚拟样本与标准样本是高度相关的，因此不能作为独立样本使用，提取出的类内变化信息不具有表征性。(2)将人脸图像分块识别时通常假设待测样本的块图像与训练样本在同一位置上的块图像具有相似的人脸结构特征，然而实际应用中，由于人脸姿态的变化或者配饰遮挡的影响，相同位置的待测样本与训练样本的块图像可能存在很大差异，导致上述假设不成立，单样本人脸识别效果不佳。