本發(fā)明屬于圖像處理領(lǐng)域，特別涉及一種基于多尺度變換的稀疏表示的人臉識(shí)別方法。

背景技術(shù)：

近年來，伴隨著市場(chǎng)對(duì)人臉識(shí)別信息技術(shù)的需求，人臉識(shí)別的研究和理論也得到長足的發(fā)展，但同時(shí)信息的安全和隱蔽性也受到了關(guān)注。人臉識(shí)別作為生物特征識(shí)別技術(shù)之一，與其他生物特征識(shí)別技術(shù)相比具有更便利、快捷、友好、安全及追蹤能力強(qiáng)等優(yōu)點(diǎn)，已經(jīng)受到各個(gè)領(lǐng)域科研人員的廣泛研究，并運(yùn)用于金融行業(yè)、門禁系統(tǒng)、檢查考勤等領(lǐng)域。

現(xiàn)有的人臉識(shí)別技術(shù)主要包括幾類：如基于彈性匹配的人臉識(shí)別算法，基于幾何特征的人臉識(shí)別算法，基于子空間的人臉識(shí)別算法及基于稀疏表示的人臉識(shí)別算法。但是傳統(tǒng)的人臉識(shí)別算法仍然存在一些問題。傳統(tǒng)的人臉識(shí)別方法，當(dāng)光照不足或者過強(qiáng)時(shí)，識(shí)別率會(huì)大大降低；當(dāng)對(duì)人臉進(jìn)行部分遮擋時(shí)，例如戴圍巾，戴眼鏡等，會(huì)導(dǎo)致識(shí)別率偏低；與此同時(shí)，當(dāng)人臉圖像被隨機(jī)噪聲干擾面積較大時(shí)，會(huì)嚴(yán)重影響識(shí)別率，即對(duì)噪聲存在魯棒性較差的特點(diǎn)；當(dāng)特征維數(shù)高時(shí)，計(jì)算復(fù)雜度較大，識(shí)別效率偏低等特點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提出了一種基于多尺度變換的稀疏表示的人臉識(shí)別方法，其目的在于克服現(xiàn)有技術(shù)中存在的計(jì)算復(fù)雜度較大，識(shí)別效率低的問題。

一種基于多尺度變換的稀疏表示的人臉識(shí)別方法，包括以下步驟：

步驟1：采集待識(shí)別人臉圖像和樣本人臉圖像；

步驟2：對(duì)人臉圖像依次進(jìn)行對(duì)數(shù)變換和小波分解處理，得到高頻子圖像和低頻子圖像；

步驟3對(duì)步驟2獲得的低頻子圖像進(jìn)行直方圖均衡化處理，將步驟2獲得的高頻子圖像和經(jīng)直方圖均衡化處理后的低頻子圖像進(jìn)行PCA特征提?。?/p>

步驟4：利用特征提取之后的低頻和高頻分量進(jìn)行逆小波變換重構(gòu)人臉圖像，獲得光照歸一化后人臉圖像；

步驟5：采用稀疏表示模型對(duì)待識(shí)別人臉圖像的光照歸一化人臉圖像進(jìn)行識(shí)別。

進(jìn)一步地，所述步驟5的具體過程如下：

1)將待識(shí)別人臉圖像和樣本人臉圖像經(jīng)過步驟2-步驟4處理后的光照歸一化人臉圖像分別進(jìn)行小波分解，得到分解后的待識(shí)別圖像矩陣和樣本圖像字典矩陣待識(shí)別圖像數(shù)量為k，樣本圖像數(shù)量為d；

2)將分解后的待識(shí)別人臉圖像矩陣和樣本圖像字典矩陣用稀疏表示模型表示為如下形式：

其中，表示第i張分解后的待識(shí)別人臉圖像矩陣，且共有k張待識(shí)別人臉圖像，l表示待識(shí)別人臉圖像中的像素點(diǎn)個(gè)數(shù)；

表示第i張分解后的樣本人臉圖像矩陣，共有d張樣本人臉圖像；

β為稀疏系數(shù)向量，β＝[β₁,β₂,…β_l]，ρ_θ為最小化目標(biāo)函數(shù)，σ為大于的常數(shù)，σ>0；||·||₁表示一范數(shù)；

3)計(jì)算每張待識(shí)別人臉圖像的殘差

其中，t表示迭代的次數(shù)，表示第t次迭代時(shí)所有樣本人臉圖像的灰度均值圖像矩陣，當(dāng)t＝1時(shí)，為所有樣本人臉圖像的均值圖像，表示第t次迭代時(shí)第i張待識(shí)別人臉圖像與所有樣本人臉圖像的均值圖像之間的殘差；

4)計(jì)算第i張待識(shí)別人臉圖像權(quán)值系數(shù)矩陣

其中，δ^(t)控制分界點(diǎn)的位置，取值為矩陣γ中的第ε個(gè)元素，表示向下取整，γ為對(duì)所有(e_i^(t))²進(jìn)行升序排列后的矩陣，表示中每個(gè)元素的平方和；μ^(t)為增長率矩陣，

5)計(jì)算最優(yōu)稀疏系數(shù)β^*：

其中，表示二范數(shù)的平方，||·||₁表示一范數(shù)，P表示整合權(quán)值矩陣，矩陣大小為1×k，P的第i個(gè)元素取值為的第一個(gè)元素；

6)更新稀疏系數(shù)β^(t)：若t＝1，則β^(t)＝β^*；若t>1，則β^(t)：β^(t)＝β^(t-1)+η^(t)(β^*-β^(t-1))；

其中，β^(t)表示第t次迭代時(shí)的稀疏系數(shù)，η^(t)表示迭代步長，取值范圍為0-1；

7)重建樣本均值圖像：并令t＝t+1；

判斷是否滿足收斂條件||P^(t)-P^(t-1)||₂/||P^(t-1)||₂<σ或達(dá)到最大迭代次數(shù)，若滿足，則以當(dāng)前最優(yōu)稀疏系數(shù)計(jì)算待識(shí)別圖像屬于訓(xùn)練樣本圖像中的哪一類，完成人臉識(shí)別；若不滿足，則返回3)。

進(jìn)一步地，所述對(duì)高頻子圖像提取PCA特征前，采用Butterworth高通濾波器進(jìn)行濾波處理。

進(jìn)一步地，對(duì)步驟2獲得的高頻子圖像和低頻子圖像進(jìn)行直方圖均衡化處理后的圖像的總體散步矩陣進(jìn)行PCA特征提取。

有益效果

本發(fā)明提供了一種基于多尺度變換的稀疏表示的人臉識(shí)別方法，包括以下步驟：步驟1：采集待識(shí)別人臉圖像和樣本人臉圖像；步驟2：對(duì)人臉圖像依次進(jìn)行對(duì)數(shù)變換和小波分解處理，得到高頻子圖像和低頻子圖像；步驟3：分別對(duì)步驟2獲得的低頻子圖像進(jìn)行直方圖均衡化處理后，對(duì)高頻子圖像和均衡化后的低頻子圖像進(jìn)行PCA特征提??；步驟4：利用特征提取之后的低頻和高頻分量進(jìn)行逆小波變換重構(gòu)人臉圖像，獲得光照歸一化后人臉圖像；步驟5：采用稀疏表示模型對(duì)待識(shí)別人臉圖像的光照歸一化人臉圖像進(jìn)行識(shí)別。該方法首先通過對(duì)圖像進(jìn)行對(duì)數(shù)變換以及小波分解處理，接著通過PCA特征提取后重新構(gòu)建人臉圖像，大大的降低了由于光照不足或者過強(qiáng)時(shí)，以及隨機(jī)噪聲干擾面積較大時(shí)，引起的識(shí)別率低的問題；其次，通過利用改進(jìn)的稀疏表示模型，避免了當(dāng)對(duì)人臉進(jìn)行部分遮擋時(shí)，例如戴圍巾，戴眼鏡等，導(dǎo)致識(shí)別率偏低的問題。

附圖說明

圖1為本發(fā)明所述方法的流程示意圖；

圖2為本發(fā)明所述歸一化處理的流程示意圖。

具體實(shí)施方式

下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說明。

如圖1和圖2所示，

一種基于多尺度變換的稀疏表示的人臉識(shí)別方法，包括以下步驟：

步驟1：采集待識(shí)別人臉圖像和樣本人臉圖像；

步驟2：對(duì)人臉圖像依次進(jìn)行對(duì)數(shù)變換和小波分解處理，得到高頻子圖像和低頻子圖像；

步驟3對(duì)步驟2獲得的低頻子圖像進(jìn)行直方圖均衡化處理，將步驟2獲得的高頻子圖像采用Butterworth高通濾波器濾波后的圖像和經(jīng)直方圖均衡化處理后的低頻子圖像進(jìn)行PCA特征提??；

步驟4：利用特征提取之后的低頻和高頻分量進(jìn)行逆小波變換重構(gòu)人臉圖像，獲得光照歸一化后人臉圖像；

步驟5：采用稀疏表示模型對(duì)待識(shí)別人臉圖像的光照歸一化人臉圖像進(jìn)行識(shí)別。

進(jìn)一步地，所述步驟5的具體過程如下：

1)將待識(shí)別人臉圖像和樣本人臉圖像經(jīng)過步驟2-步驟4處理后的光照歸一化人臉圖像分別進(jìn)行小波分解，得到分解后的待識(shí)別圖像矩陣和樣本圖像字典矩陣待識(shí)別圖像數(shù)量為k，樣本圖像數(shù)量為d；

2)將分解后的待識(shí)別人臉圖像矩陣和樣本圖像字典矩陣用稀疏表示模型表示為如下形式：

其中，表示第i張分解后的待識(shí)別人臉圖像矩陣，且共有k張待識(shí)別人臉圖像，l表示待識(shí)別人臉圖像中的像素點(diǎn)個(gè)數(shù)；

表示第i張分解后的樣本人臉圖像矩陣，共有d張樣本人臉圖像；

β為稀疏系數(shù)向量，β＝[β₁,β₂,…β_l]，ρ_θ為最小化目標(biāo)函數(shù)，σ為大于的常數(shù)，σ>0；||·||₁表示一范數(shù)；

3)計(jì)算每張待識(shí)別人臉圖像的殘差

其中，t表示迭代的次數(shù)，表示第t次迭代時(shí)所有樣本人臉圖像的灰度均值圖像矩陣，當(dāng)t＝1時(shí)，為所有樣本人臉圖像的均值圖像，表示第t次迭代時(shí)第i張待識(shí)別人臉圖像與所有樣本人臉圖像的均值圖像之間的殘差；

4)計(jì)算第i張待識(shí)別人臉圖像權(quán)值系數(shù)矩陣

其中，δ^(t)控制分界點(diǎn)的位置，取值為矩陣γ中的第ε個(gè)元素，表示向下取整，γ為對(duì)所有(e_i^(t))²進(jìn)行升序排列后的矩陣，表示中每個(gè)元素的平方和；μ^(t)為增長率矩陣，

5)計(jì)算最優(yōu)稀疏系數(shù)β^*：

其中，表示二范數(shù)的平方，||·||₁表示一范數(shù)，P表示整合權(quán)值矩陣，矩陣大小為1×k，P的第i個(gè)元素取值為的第一個(gè)元素；

6)更新稀疏系數(shù)β^(t)：若t＝1，則β^(t)＝β^*；若t>1，則β^(t)：β^(t)＝β^(t-1)+η^(t)(β^*-β^(t-1))；

其中，β^(t)表示第t次迭代時(shí)的稀疏系數(shù)，η^(t)表示迭代步長，取值范圍為0-1；

7)重建樣本均值圖像：并令t＝t+1；

判斷是否滿足收斂條件||P^(t)-P^(t-1)||₂/||P^(t-1)||₂<σ或達(dá)到最大迭代次數(shù)，若滿足，則以當(dāng)前最優(yōu)稀疏系數(shù)計(jì)算待識(shí)別圖像屬于訓(xùn)練樣本圖像中的哪一類，完成人臉識(shí)別；若不滿足，則返回3)。

利用本發(fā)明所述方法與現(xiàn)有技術(shù)所述方法，進(jìn)行人臉識(shí)別，具體結(jié)果如表1所示，從表1中可以看出，本發(fā)明所述方法的識(shí)別精度明顯優(yōu)于現(xiàn)有技術(shù)。

表1AR人臉庫上算法識(shí)別率對(duì)比

本發(fā)明中應(yīng)用了具體實(shí)施例對(duì)發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對(duì)發(fā)明的限制。