[发明专利]一种基于稀疏约束的人脸二值特征提取方法

说明书

本发明公开了一种基于稀疏约束的人脸二值特征提取方法。在经典的二值特征学习算法的基础上，本发明基于稀疏约束项，诱导产生具有行稀疏结构的投影矩阵，在投影过程中，能够提高原始特征中主要特征的贡献度，减少次要和冗余特征的影响。实际场景中，容易被噪声干扰的往往是次要特征，主要特征不易受其影响。因此本发明提取到的人脸特征具有更好的鲁棒性和稳定性，对人脸识别具有实际应用价值。

技术领域

本发明属于人脸识别技术领域，特别涉及一种基于稀疏约束的人脸二值特征提取方法。

背景技术

近年来人脸识别技术在身份认证、智能监控等方面有着广泛应用，但实际场景中的各种变化因素，如光照姿态等，都会影响其性能。人脸识别主要包括两个过程：人脸表示和人脸匹配。人脸表示是对采集到的人脸图像进行特征提取，人脸匹配是设计分类器以识别不同的身份。其中能否提取到稳定有效且具有区分性的表示特征，决定了算法识别精度。

基于二值特征学习的方法通过设计好的目标函数，从训练样本中学习投影矩阵及主要的编码模式，对人脸图像进行二进制编码并统计为直方图特征。代表性的算法有紧凑二进制人脸描述符：Lu J,Liong VE,Zhou X,et al.Learning Compact Binary FaceDescriptor for Face Recognition[J].IEEE Transactions on Pattern Analysis andMachine Intelligence,2015,37(10):2041-2056；以及近两年的提出的改进算法，上下文感知的局部二值特征学习：Duan Yueqi,Lu Jiwen,Feng Jianjiang.Context-Aware LocalBinary Feature Learning for Face Recognition[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,2018,40(5):1139-1153。但是原始特征存在主要特征和次要特征，到目前为止，现有的二值特征学习方法，学习得到的投影矩阵对其区分度不够，根据其重要性自适应分配投影权重的能力不足。本发明针对该问题，在经典的二值特征学习算法的基础上，基于稀疏约束提升学习到的投影矩阵的判别性，即提升主要特征的贡献度，减少次要特征的干扰，实现更稳定有效的人脸二值特征提取。

发明内容

本发明是为了解决经典二值特征学习类算法学习得到的投影矩阵区分度不够，根据特征重要性自适应分配投影权重的能力不足这一问题，提出一种基于稀疏约束的人脸二值特征提取方法。方法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。

本发明具体包括以下步骤：

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。