[发明专利]一种低分辨率人脸识别方法

权利要求书

1.一种低分辨率人脸识别方法，其特征在于：包括训练阶段和识别阶段，每个阶段具体 包括如下步骤，

训练阶段：首先，读入人脸库中不同个体的退化人脸和高质量人脸图像，分别构造退化 人脸训练样本集合X和高质量人脸训练样本集合Y；其次，基于这两个训练样本集合，采用基 于有监督局部保持投影的度量学习算法，将不同质量的两种图像映射到一个公共的统一空 间中；然后，在统一空间中完成两组人脸训练样本数据的距离度量；

识别阶段：运用训练阶段的映射度量矩阵对退化的测试人脸图像和已有的高质量标准 图像进行处理，快速、准确的识别退化人脸。

2.根据权利要求1所述的一种低分辨率人脸识别方法，其特征在于：所述的退化人脸训 练样本集合所述的高质量人脸训练样本集合 且每个集合中包含多个人的多幅维数不同的人脸，其中 和为原始人脸数据空间。

3.根据权利要求1所述的一种低分辨率人脸识别方法，其特征在于：所述的距离度量的 具体步骤包括，

3.1、分别针对退化人脸训练样本集合和高质量人脸训练样本集合建立集合内的邻域 关系图，邻域关系建立采用k近邻法；

3.2、将属于同一个个体的两个不同集合的数据点相互连接，建立退化人脸训练样本集 合和高质量人脸训练样本集合间的连接关系图；

3.3、基于同一集合内的邻域关系图，构建同一集合内的相似度矩阵；

3.4、基于两个集合间的连接关系图，构建两个集合之间的相似度矩阵S，相似度大小为

3.5、计算两个集合之间的最终相似度矩阵C，其元素为：

Cij=exp(-D/t)0;]]>

3.6、构造退化人脸和高质量人脸集合间人脸度量的最优化目标方程：

J=Σ(i,j)∈C||WaT(fx(xi)-fy(yj))||2=ΣiΣj||WaT(fx(xi)-fy(yj))||2·Cij]]>

其中，映射函数f_x和f_y将人脸数据集合X和Y中的元素从原空间映射到一个公共的统一空 间中，映射后的集合分别为和则在统一空间中引入距离 度量的定义，W_a为度量矩阵，当映射函数f_x和f_y为线性变换时，则最优化目标函数变为：

J=ΣiΣj||WaT(fx(xi)-fy(yj))||2·Cij=ΣiΣj||WaTWxTxi-WaTWyTyj||2·Cij]]>

令P_x＝W_xW_a，P_y＝W_yW_a，于是有

J=ΣiΣj||WaTWxTxi-WaTWyTyj||2·Cij=ΣiΣj||PxTxi-PyTyj||2·CijΣiΣj(PxTxi-PyTyj)T(PxTxi-PyTyj)CijΣiΣj(xiTPx-yjTPy)(PxTxi-PyTyj)Cij=ΣiΣj(xiTPxPxTxiCii+yjTPyPyTyjCjj-xiTPxPyTyjCij-yjTPyPxTxiCji)---(1);]]>

3.7、求解上述的公式(1)目标方程，目标方程可转化为如下条件极值问题：

minJ(P)＝minTr[P^TZΓZ^TP]st.P^TZZ^TP＝IandP^TZe＝0

通过求解广义特征值Ep＝λFp来得到，其中E＝ZΓZ^T，F＝ZZ^T，p为对应于特征值λ的特征 向量，然后，选取对应于第2小到第(D_c+1)小的特征值对应的特征向量组成变换矩阵P，其大 小为(D_x+D_y)×D_c，其中D_x和D_y分别为集合X和Y的样本的维数，同时能够得到对应于集合X的 变换矩阵P_x，其大小为D_x×D_c，对应于集合Y的变换矩阵P_y，其大小为D_y×D_c；

3.8：将P_x和P_y带回到公式(1)即可获得退化人脸和高质量人脸两个不同集合间人脸的 距离度量。