一種基于分部式模型和稀疏成分分析的單樣本人臉識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺、模式識(shí)別和圖像處理方法和設(shè)備，尤其涉及一種基于分 部式模型和稀疏成分分析的單樣本人臉識(shí)別方法、及設(shè)備。
【背景技術(shù)】
[0002] 作為生物特征識(shí)別的一個(gè)分支，人臉識(shí)別在近些年來成為國(guó)內(nèi)外研究者十分關(guān)注 的研究領(lǐng)域。目前有很多用于人臉識(shí)別的人臉表示方法，在這些方法中，基于成分分析的方 法被廣泛用來人臉識(shí)別和分析。成分分析方法旨在尋找一組基，使得其表示訓(xùn)練數(shù)據(jù)的誤 差最小。作為成分分析方法的一類，分部式表示在很多視覺應(yīng)用，尤其是人臉表示方面，取 得了很好的效果。這是因?yàn)槿四樉哂械湫偷慕Y(jié)構(gòu)。分部式表示方法期望基對(duì)應(yīng)訓(xùn)練圖像的 某些語義部分，并且用這些部分的組合來表示人臉圖像。
[0003] 分部式表示的方法促使其成分稀疏化，并期望其成分能夠捕捉給定圖片的語義部 分，這些方法用分部式的方式表不圖像，其中的每個(gè)部分，像整體式方法一樣用一組基表 示。在這些方法中，多因素因子分析（MultipleCauseFactorAnalysis，MCFA)具有較好 的性能。MCFA從給定數(shù)據(jù)中學(xué)習(xí)一個(gè)共同的空間分割，并且把分割得到的每個(gè)部分用離散 的狀態(tài)空間或者線性空間建模。這個(gè)方法在對(duì)齊人臉上效果尤其好。盡管如此，該方法學(xué) 習(xí)到的部分有可能是非連續(xù)的，并且它的部分沒有從稀疏成分表示中獲益。
[0004] 與此同時(shí)，最近的研究發(fā)現(xiàn)稀疏成分分析在計(jì)算機(jī)視覺應(yīng)用中取得很好的效果， 并被用來人臉表示和合成。稀疏成分分析的思想是：從訓(xùn)練樣本中學(xué)習(xí)一組過完備基；但 在表示每個(gè)樣本時(shí)，只使用或激活盡可能少的基。該思想具有生理學(xué)基礎(chǔ)，從編碼的角度而 言，稀疏成分分析非常有效并且對(duì)數(shù)據(jù)變化很魯棒。所有上述方法中，觀測(cè)數(shù)據(jù)XeR表示 為隨機(jī)線性系統(tǒng)χ=·+μ+ε的輸出，其中werdxm是由μ個(gè)成分組成的矩陣；zermx1 是與Μ個(gè)成分相對(duì)應(yīng)的組合系數(shù)向量；μeRDX1是均值向量；εeRDX1是隨機(jī)噪聲向量。 稀疏編碼促使組合系數(shù)z的元素是稀疏的。與主成分分析法相比，稀疏成分分析學(xué)習(xí)到的 基和樣本本身比較接近，這在一定程度上可以解釋稀疏成分分析在圖像恢復(fù)和識(shí)別上的魯 棒性。盡管如此，稀疏成分分析用整體式方法表示圖像，因此它的缺點(diǎn)是在人臉表示方面不 夠靈活。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對(duì)現(xiàn)有方法的不足，提出一種基于分部式模型和稀疏成分分 析的單樣本人臉識(shí)別方法，克服了分部式表示和稀疏成分分析各自在人臉表示方面的不 足。
[0006] 本發(fā)明第一個(gè)方面是提供一種基于分部式模型和稀疏成分分析的單樣本人臉識(shí) 別方法和設(shè)備，克服了分部式表示和稀疏成分分析各自在人臉表示方面的不足。
[0007] 本發(fā)明第一個(gè)方面提供了一種基于分部式模型和稀疏成分分析的單樣本人臉識(shí) 別方法，包括：
[0008] -一將人臉圖像分解成多個(gè)部分，實(shí)現(xiàn)人臉分割，這里的"部分"是人臉圖像的一 個(gè)空間區(qū)域或者像素集合；
[0009] -一為每個(gè)部分學(xué)習(xí)一個(gè)稀疏成分分析模型，并且把不同部分的模型結(jié)合在一 起，完成人臉圖像建豐旲；
[0010] -一基于學(xué)習(xí)出的分部式稀疏成分分析模型導(dǎo)出人臉圖像的特征，并且定義相似 度度量衡量人臉之間的相似度；
[0011] -一對(duì)于輸入人臉，根據(jù)相似度度量計(jì)算數(shù)據(jù)庫與之最相似的人臉，輸出其標(biāo)簽， 完成單樣本人臉識(shí)別。
[0012] 其中，所述人臉圖像分解成的多個(gè)部分，至少有一個(gè)部分包括眼部或者嘴部。
[0013] 本發(fā)明的一種優(yōu)選實(shí)施例中，所述方法包括：
[0014] 步驟1，將人臉圖像分解成多個(gè)部分，實(shí)現(xiàn)人臉分割
[0015] 人臉部分的推斷基于每個(gè)像素所選擇的部分，對(duì)于像素Χηι，它首先從L個(gè)部分中 選擇一個(gè)部分記為1 ;令Μ為人臉圖像的像素?cái)?shù)目，第m個(gè)像素的選擇記錄在變量k= (rml, · · ·，:^廣中，該變量服從Multinomial先驗(yàn)：rm.~Mult(η= 1，am.)，其中am.= (aml, . ..，αΛ)τ，該先驗(yàn)記作PiO^.)，并將先驗(yàn)Pi(rm.)施加在!」=(rn, . . .，rM1)之上，該 先驗(yàn)記作？2(1'"1.)，兩種先驗(yàn)？1(1'"1.)、？2(1'" 1.)用？(^結(jié)合起來，其中每個(gè)先驗(yàn)是一個(gè)專家，即：
[0016]
[0017]其中Z"為分割函數(shù)；施加在R= {rj上的完整先驗(yàn)為如下公式（1)，
[0018]
m
[0019] 其中，Ζ()=ΠmZm是起歸一化作用的函數(shù)，Mm是變量rml的相鄰變量集，近鄰的數(shù)目 設(shè)為IMn | = 4 ;
[0020] 步驟2,為每個(gè)人臉部分學(xué)習(xí)稀疏成分分析模型
[0021] 令yieRM為所有L個(gè)人臉部分的第1個(gè)部分，將每個(gè)部分建模為稀疏成分分析模 型：
[0022]
[0023] 其中，K是基的數(shù)目；為第1個(gè)部分的過完備基；
[0024] 步驟3、逐像素地產(chǎn)生一副圖片
[0025] 對(duì)于像素Χηι，它首先從^個(gè)部分中選擇一個(gè)部分并記為1，然后相應(yīng)地從第1個(gè)稀 疏成分分析模型中產(chǎn)生一個(gè)像素。對(duì)部分的選擇由隨機(jī)二值向量!^. = (rml，...，rml)HB錄，其中rmle{〇, 1}服從Multinomial先驗(yàn)式，當(dāng)?shù)?個(gè)部分被選中時(shí)，rml= 1;得到下述 模型：
[0026]
[0027] 其中，ynl為式（2)定義的第1個(gè)部分的第m個(gè)像素；μn為均值；~/ν(0，σ=)為 隨機(jī)噪聲；αη = (αη1, . . . ,aJ 多項(xiàng)式分布的參數(shù)；
[0028] 令Z={zlk}，將式⑵代入式⑶中，可以得到下式：
[0029]
[0030] 考慮到式（4)的第一個(gè)等式，觀測(cè)變量X的條件分布可表示為：
[0031] mm
/: κ
[0032] 步驟4,導(dǎo)出可以表示人臉的產(chǎn)生式模型
[0033] 導(dǎo)出本發(fā)明中人臉表示的產(chǎn)生式模型Ρ(χ，Ζ,R):
[0034]
[0035]其中，b=1，u=0 ;Θ=(Wmlk,ym,σm,aml)是待學(xué)習(xí)的參數(shù)集合；
[0036] 步驟5,采用MontoCarloEM算法學(xué)習(xí)步驟4導(dǎo)出的產(chǎn)生式模型的參數(shù)
[0037] MontoCarloEM算法是下列兩個(gè)步驟的迭代：（1)對(duì)于每個(gè)給定的訓(xùn)練樣本，首 先采用Gibbs采樣的方法采集R和Z的樣本（-Step) (2)利用采樣得到的樣本更新參數(shù) Θ(-Step)
[0038] 步驟6,基于學(xué)習(xí)好的產(chǎn)生式模型導(dǎo)出人臉特征，并基于該特征定義相似度函數(shù)；
[0039] 步驟7,使用上述產(chǎn)生式模型和相似度函數(shù)進(jìn)行單樣本人臉圖像識(shí)別。
[0040] 其中，步驟6中，導(dǎo)出人臉特征方法優(yōu)選為：
[0041] P(Zc|xc)編碼了與樣本xc相關(guān)的信息，使用投影
組合作為X*1的特征h%
[0042]
[0043] 其中，步驟6中，定義相似度函數(shù)的方法優(yōu)選為：
[0044] 定義樣本f和樣本X間的相似度為以下加權(quán)內(nèi)積：
[0045]
[0046] 其中V為表示人臉基權(quán)值的對(duì)角矩陣。
[0047] 本發(fā)明第二個(gè)方面提供了一種基于分部式模型和稀疏成分分析的單樣本人臉識(shí) 別設(shè)備，包括：
[0048] 人臉圖像庫；
[0049] -一人臉圖像采集裝置，采集并輸入人臉圖像；
[0050] --處理器，處理器包括
[0051] -一人臉圖像分解模塊，將采集的人臉圖像分解成多個(gè)部分，實(shí)現(xiàn)人臉分割，這里 的"部分"是人臉圖像的一個(gè)空間區(qū)域或者像素集合；
[0052] -一人臉圖像建模模塊，為每個(gè)部分學(xué)習(xí)一個(gè)稀疏成分分析模型，并且把不同部 分的模型結(jié)合在一起，完成人臉圖像建模；
[0053] -一學(xué)習(xí)模塊，基于學(xué)習(xí)出的分部式稀疏成分分析模型導(dǎo)出人臉圖像的特征，并 且定義相似度度量衡量人臉之間的相似度；
[0054] -一輸出模塊，對(duì)于輸入人臉，根據(jù)相似度度量人臉圖像庫中與之最相似的人臉， 輸出度量結(jié)果，完成單樣本人臉識(shí)別。
[0055] 其中，所述人臉分割方法優(yōu)選為：
[0056] 人臉部分的推斷基于每個(gè)像素所選擇的部分，對(duì)于像素Χηι，它首先從L個(gè)部分中 選擇一個(gè)部分記為1 ;令Μ為人臉圖像的像素?cái)?shù)目，第m個(gè)像素的選擇記錄在變量& = (rml, · · ·，:^廣中，該變量服從Multinomial先驗(yàn)：rm.~Mult(η= 1，am.)，其中am.= (aml, . ..，αΛ)τ，該先驗(yàn)記作PiO^.)，并將先驗(yàn)Pi(〇施加在!」=(rn, . . .，rM1)之上，得 到先驗(yàn)P2(r"J，兩種先用PoE結(jié)合起來，其中每個(gè)先驗(yàn)是一個(gè)專家，BP:
[0057] m
[0058] 其中Z"為分割函數(shù)；
[0059]Pjrj、Ρ2(Γηι.)施加在R= {rj上的完整先驗(yàn)為如下公式（1)，
[0060]
[0061] 其中，Ζ()=ΠmZm是起歸一化作用的函數(shù)，Mm是變量rml的相鄰變量集，近鄰的數(shù)目 設(shè)為 |Mn| = 4。
[0062] 其中，所述學(xué)習(xí)稀疏成分分析模型的方法優(yōu)選為：
[0063] 令yieRM為所有L個(gè)人臉部分的第1個(gè)部分，將每個(gè)部分建模為稀疏成分分析模 型：
[0064]
[0065] 其中，K是基的數(shù)目；{w//(K=1為第1個(gè)部分的過完備基。
[0066] 其中，所述人臉圖像建模方法優(yōu)選為：
[0067] 對(duì)于像素Χηι，它首先從L個(gè)部分中選擇一個(gè)部分并記為1，然后相應(yīng)地從第1個(gè)稀 疏成分分析模型中產(chǎn)生一個(gè)像素；對(duì)部分的選擇由隨機(jī)二值向量!^. = (rml,. . .，r"JT記錄， 其中rmle{〇, 1