[发明专利]一种基于图像检索和特征权重学习的人脸识别方法

摘要

一种基于图像检索和特征权重学习的人脸识别方法，步骤如下：生成训练样本图像集A和样本图像特征集F；检索得到匹配人脸图像子集Dt；计算并筛选得到相似人脸图像子集Ds；在线特征点权重学习；在线特征对权重学习；人脸识别。本发明系统实现简单，分布性能好，适用于数据量较大的人脸识别应用场合，能够达到人脸识别的快速、高效、精准的要求，能很好的应用于实际人脸识别需求中。

主权项

一种基于图像检索和特征权重学习的人脸识别方法，其特征在于，包括：步骤一：生成训练样本图像集A和样本图像特征集F：S11收集人脸图像生成训练样本图像集A；S12使用SDM算法和仿射变换将人脸图像旋转到水平位置并且做尺度归一化；S13提取训练样本图像集A中每一张人脸图像的SIFT特征fi'，以及每个SIFT特征fi'对应的几何坐标zi，得到一个M×130的特征集，其中M为每张人脸图像的特征点个数；每个特征点fi由一个128维的SIFT特征fi'加上2维相对应的几何坐标zi组成，对SIFT特征fi'做l2范数归一化，根据人脸尺寸对几何坐标zi做l1范数归一化；单个特征点表示如下：fi＝[fi',αzi],0≤α≤1,zi＝(x,y),i＝1,…M；其中，参数α是用来调节位置信息在SIFT特征匹配中的权重，x,y为特征点在人脸图像上的横纵坐标；S14将所有人脸图像的特征点的集合作为样本图像特征集F；步骤二：检索得到匹配人脸图像子集Dt：S21对样本图像特征集F采用K‑means方法进行聚类，生成K个聚类；S22用步骤一中S13所述的方法提取待识别人脸图像Q的特征集，得到待识别人脸图像特征集FQ；S23用欧几里得度量法，做最近邻查找，将待识别人脸图像特征集FQ中的每一个特征点分配到K个聚类中与之最近的那些聚类中去；将包含待识别人脸图像特征集FQ中特征点的那些聚类作为聚类集合KQ；S24将训练样本图像集A中所有包含有聚类集合KQ中任意一个特征点的人脸图像提取出来，作为匹配人脸图像子集Dt；步骤三：计算并筛选得到相似人脸图像子集Ds：S31计算K个聚类中每个聚类的逆文档频率idf(k)：idf(k)=Nn(k),]]>其中，k表示聚类的标号，N表示训练样本图像集A中的人脸图像总数，n(k)表示训练样本图像集A中包含有第k个聚类中任意一个特征点的人脸图像数量；S32计算待识别人脸图像Q和匹配人脸图像子集Dt中每个匹配人脸图像dt的相似度S(Q,dt)，S(Q,dt)=Σk=1KΣ(fi,gj)fi∈dt,gj∈Qe(fi)=e(gj)||L(fi)-L(gj)||<ϵidf(k)tfQ(k)·tfdt(k),]]>其中，tfQ(k)表示待识别人脸图像特征集FQ中被分配到第k个聚类的特征点的数量；表示某个匹配人脸图像dt所有特征点中存在于第k个聚类的特征点的个数；fi为匹配人脸图像dt的特征点，gj表示待识别人脸图像Q的特征点，(fi,gj)表示两个特征点匹配，e(fi)＝e(gj)表示两个特征点属于相同的聚类；函数L(fi)和L(gj)分别表示特征点fi和gj的类别信息，||L(fi)‑L(gj)||<ε表示特征点在空间位置上具有连续性；S33对匹配人脸图像子集Dt中所有匹配人脸图像dt按照相似度S(Q,dt)降序排列，取前R个人脸图像组成相似人脸图像子集Ds；步骤四：在线特征点权重学习：S41用步骤一中S13所述的方法提取相似人脸图像子集Ds特征点，生成相似人脸图像特征集Fs，将特征集Fs中每个特征点对应的权重初始化为一个统一的数值ω0；S42对特征集Fs中的每一个特征点fi作最近邻查找，找到fi的最近邻特征点fj，如果fj和fi的类别标签一致，那么fj的权重增大，否则减小；如果某个特征点fj被n个特征点查找为最近邻特征点，则它的权重需被修改n次；将特征点fj原始权重表示为ω1(fj)＝ω0，则特征点fj经过n次修改后的权重ωn+1(fj)通过如下迭代公式实现：ωn+1(fj)＝ωn(fj)(ω0+Δω),L(fj)＝L(fi),ωn+1(fj)＝ωn(fj)(ω0‑Δω),L(fj)≠L(fi),S43对所有修改后的特征点权重作l1范数归一化，得到带权重特征库；步骤五：在线特征对权重学习：S51将带权重特征库中的特征点按权重值降序排列，取前2m个特征点，随机组合成m组特征对P＝{p1,p2,...pm}，将每个特征对对应的权重初始化为一个统一的数值w0；S52对m组特征对P＝{p1,p2,...pm}中的每一对特征对pu作最近邻查找，找到pu的最近邻特征对pv，如果pv和pu的类别标签一致，那么pv的权重增大，否则减小；如果某个特征对pv被n个特征对查找为最近邻特征对，则它的权重需被修改n次；将特征对pv原始权重表示为w1(pv)＝w0，则特征点pv经过n次修改后的权重wn+1(pv)通过如下迭代公式实现：wn+1(pv)＝λwn(pv)(w0+Δw),L(pv)＝L(pu),wn+1(pv)＝λwn(pv)(w0‑Δw),L(pv)≠L(pu),其中，λ是用来进一步调整特征对权重的参数；S53对所有修改后的特征对权重作l1范数归一化，得到带权重特征对库；步骤六：人脸识别：S61从带权重特征库中寻找待识别人脸图像Q的特征点gj的最近邻特征点，将该最近邻特征点的权重投给特征点gj所属的类别，进而得到每个类别的特征点投票得分Ssingle；S62对待识别人脸图像Q的所有特征点随机选择出特征对GJ，从带权重特征对库中寻找特征对GJ的最近邻特征对，并将该最邻近特征对的权重投给特征对GJ所属的类别，得到每个类别的特征对投票得分Spair；S63将每个类别的特征点投票得分Ssingle和特征对投票得分Spair分别相加，得到每个类别的最终得分，将最终得分最高的那个类别标签赋予待识别人脸图像Q。