[发明专利]一种基于稀疏约束的人脸二值特征提取方法

权利要求书

1.一种基于稀疏约束的人脸二值特征提取方法，其特征在于，步骤如下：

步骤1、数据集预处理

对公开的人脸数据集进行预处理，获得训练集和测试集；

所述的预处理过程包括人脸区域的定位与背景裁剪、图像灰度化和分辨率归一化；

步骤2、基于邻域与中心点像素的灰度差，依次遍历每张训练样本并提取一系列具有描述能力的像素差值向量PDV(Pixel Difference Vector)，即原始特征；

步骤3、将获得的原始特征去中心化，根据设计好的目标函数学习一个投影矩阵，再利用符号函数映射为二值特征；使用k均值算法从二值特征中学习一个聚类字典；所述的目标函数由三项构成：特征表达项、量化误差项和稀疏约束项；特征表达项保证了投影得到了二值特征具有最大的方差，量化误差项保证原始特征和二值特征之间的量化误差最小，稀疏约束项保证投影矩阵具有行稀疏结构特性，能够区分主要特征和次要特征；

步骤4、对于测试集，用步骤2的方法计算其原始特征，再进行去中心化；用学习得到的投影矩阵，以及符号函数将去中心化后的原始特征映射为只包含0和1的二值特征；得到对应的二值特征后，基于欧式距离匹配学习得到的聚类字典中最为相似的类中心，统计每个类中心出现的次数，得到直方图特征向量，向量维度在数值上与类中心数相等。

2.根据权利要求1所述的一种基于稀疏约束的人脸二值特征提取方法，其特征在于，步骤1具体方法如下：

对公开的人脸数据集，根据其提供的五官部位在图像中的坐标位置，裁剪出人脸区域后，将分辨率大小统一调整至256×256像素，最后再用matlab提供的函数进行灰度化，即完成预处理过程；人脸数据集分为训练数据和测试数据，分别按此步骤完成预处理，得到训练集和测试集。

3.根据权利要求2所述的一种基于稀疏约束的人脸二值特征提取方法，其特征在于，步骤2具体方法如下：

基于3×3大小的邻域与中心点像素的灰度差，依次遍历每张训练样本并提取一系列具有描述能力的像素差值向量即原始特征，得到原始特征集合其中N表示训练样本数，L表示原始特征的维度，M表示每张样本计算得到的原始特征个数；对于一张训练样本，用周围八个像素点灰度值减去中心点灰度值，得到一个维度L＝8的原始特征；每次将该3×3的区域整体右移一个像素点，当达到边界时则整体向下移动一个像素点，再往左移动,反复进行直到遍历完整个样本，依次计算即可得到该样本的M个原始特征。

4.根据权利要求3所述的一种基于稀疏约束的人脸二值特征提取方法，其特征在于步骤3具体方法如下：

将训练集计算得到的原始特征进行去中心化，即根据设计好的目标函数，学习一个投影矩阵，再利用符号函数映射为只包含0和1的二值特征；采用k表示投影得到的二值特征维度，则目标是学习一个投影矩阵将去中心化后的原始特征X投影为二值特征

B＝0.5(sgn(W^TX)+1)

符号函数定义为：

目标函数定义如下：

其中||·||_F表示矩阵的Frobenius范数，tr(·)表示矩阵的迹，||·||_2,1表示矩阵的L_2,1范数；J₁项是特征表达项，保证二值特征之间的方差尽可能大；J₂是量化误差项，保证由符号函数带来的量化误差尽可能小；J₃是稀疏约束项，诱导产生具有行稀疏结构特性的投影矩阵；用梯度下降法即可求解得到投影矩阵W；最后使用k均值算法从二值特征中学习一个类中心数为d的聚类字典D。

5.根据权利要求4所述的一种基于稀疏约束的人脸二值特征提取方法，其特征在于步骤4具体方法如下：

对于测试集，用步骤2的方法计算其原始特征，再进行去中心化；用学习得到的投影矩阵，以及符号函数将去中心化后的原始特征映射为只包含0和1的二值特征；得到对应的二值特征后，基于欧式距离匹配学习得到的聚类字典D中最为相似的类中心，统计每个类中心出现的次数，得到直方图特征向量，向量维度在数值上与类中心数相等，即维度为d。