[发明专利]基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法

说明书

技术领域

本发明属于人脸识别领域，涉及一种采用全新有效的单样本人脸识别解决方案，具体涉及每个待识别对象仅有一幅训练图像的人脸自动识别系统。

背景技术

作为一种非接触式生物特征鉴别技术，人脸识别一直是模式识别和计算机视觉领域最热门的研究课题之一，它被广泛应用于身份认证、安全监控、多媒体娱乐、智能人机交互等众多领域。一般来说，人脸识别主要是指在数字图像或视频图像中，通过人体面部视觉信息，进行人类身份鉴别的计算机技术。人脸识别和指纹识别、掌纹识别等其它生物特征识别技术相比，具有采样更加便捷、效果易于查验、应用更为广泛等突出特点。

在众多已有的人脸识别方法中，鉴别特征的提取是人脸识别的关键。过去几十年中，在众多的特征提取算法中子空间学习方法受到了广泛的关注。其基本思想是通过一定的准则函数寻找一组基向量，把原始的高维特征投影到这组基向量所张成的低维子空间中，从而使得数据分别更加紧凑更具有鉴别性，另外也可以降低计算量。子空间学习方法中最具代表性的当属主成分分析(M.A.Turk,A.P.Pentland,“Eigenfaces for recognition,”Journal of cognitive neuroscience,1991,3(1):71-86)和线性鉴别分析(P.N.Belhumeur,J.P.Hespanha.Kriegman,D.J.“Eigenfaces vs.Fisherfaces:Recognition using class specific linear projection,”IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):711-720.)，其已经被广泛地应用于人脸识别中并取得了很好的识别结果。近年来J.Wright等人提出的基于稀疏表示的人脸识别方法(A.Yang,A.Ganesh,S.Sastry,and Y.Ma,“Robust Face Recognition via Sparse Representation,”IEEE Trans.Pattern Analysis and Machine Intelligence,vol.31,no.2,pp.210-227,2009)以其鲁棒的抗噪声、遮挡能力而受到备受关注，其基本原理是利用所有训练图像构造字典，再通过求解一个欠定方程组来求得测试图像的最稀疏线性组合系数，然后根据这些系数来对图像进行识别分类。由于该方法要求解l1-范数最小化问题，计算复杂度较高，张磊等人通过研究发现：是训练图像对测试图像的协同表示而不 是l1-范数诱导的稀疏性更有助于提升人脸识别的准确性，他们由此提出了基于协同表示的人脸识别方法(L.Zhang,M.Yang,and X.Feng,“Sparse representation or collaborative representation:which helps face recognition？”in ICCV 2011)，建议用l2-范数取代l1-范数作为正则项，可以获得有竞争力的识别效果的同时大大降低计算强度。

上述基于稀疏或协同表示的人脸识别方法或者传统的基于子空间学习的人脸识别方法都严重依赖于训练样本的多少，其中大部分方法在面临单样本人脸识别问题时识别性能下降的很厉害，甚至有些方法在单样本情况下根本无法工作，只有在每个类的训练样本数量较多时才能显示出较好的对于噪声、遮挡的鲁棒性。因此对于诸如身份证识别、海关护照核查、安全监控等许多现实应用中通常只存在单训练样本的情况下，这些方法的识别性能就会急剧下降甚至完全不可行。

发明内容

本发明的目的在于提供一种基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法。本发明通过图像分块并利用图像块中子块的高相似性来应对训练样本数量不足带来的挑战，为传统的子空间学习方法以及稀疏或协同表示应用于单样本人脸识别问题提供了一条切实可行的解决方案。

实现本发明目的的技术解决方案为：一种基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法，首先通过图像分块并利用图像块中子块结构的高相似性，提出了该些子块作为同一类别的不同样本的假设。基于这一假设，就可以对图像的局部块应用传统的人脸识别方法进行分类：测试图像进行块和子块的划分，利用子块对每个块进行单独识别，求得该图像的列别概率分布。然后，根据熵最小化的原则，通过多阶段的分类和类别筛选，不断剔除小概率的类别，进而提高正确类别的概率，直到满足停止条件则终止迭代，最后输出图像的分类结果。本发明具体包括以下步骤：