一种基于稀疏重构的单样本人脸识别方法与流程

本发明属于生物特征认证领域，涉及一种基于稀疏重构的单样本人脸识别方法。

背景技术：

人脸识别技术作为一种新型的身份验证技术，通过摄像头采集图像，经算法处理，与人脸数据库进行比对，实现对人的鉴定识别。由于其在执法、银行和海关的安全监控以及人机交互等场景中具有很高的应用前景，人脸识别技术已成为身份识别与验证等领域的研究热点。然而实际应用时，人脸数据库中往往只有1幅训练图像，这使得在这些场合中使用传统人脸识别技术并不能取得很好的识别效果，限制了人脸识别的应用范围。所以对单训练样本条件下人脸识别技术的特别研究，已成为目前人脸识别领域研究的热点。

人脸识别的识别率是人脸识别技术的核心指标，而现有的许多人脸识别算法在单训练样本条件下识别率会急剧下降有些甚至无法应用。为此如何在单训练样本条件下提高人脸识别的识别率是实际应用中面临的问题之一。近年来对单样本人脸识别的研究分为两类：一类是无监督学习方法；另一类是有监督学习方法。李欣等人提出多模块加权的改进(2d)2pca算法，这种方法在orl和cas－peal数据库上取得了好于2dpca及2d2pca的识别率。王科俊等人李欣的基础上提出融合全局与局部特征的人脸识别方法，此方法在orl数据库上也取得了不错的实验效果，同时其实验结果表明分块gabor特征具有较好的分类能力，单独基于gabor局部特征的识别率就可以达到86.94％。kan等人提出将多个人脸样本的通用数据辅助构造注册集中单样本人脸的类内散度矩阵的算法，该方法在feret数据集的fafb取得了90.1％的识别率，与gabor特征进行结合后达到了98.1％的识别率。但在自然条件下，在人脸图像拍摄时的角度、光照、遮挡以及设备带来的噪声等因素时，仅仅通过滑动窗口、位平面、重采样和镜像变换的方法对原始训练样本进行图像处理得到虚拟样本的方法并不能很好地解决噪声等带来的影响，现有的很多算法识别率都有所下降。

技术实现要素：

本发明针对自然条件下单样本人脸图像的识别问题，提出一种基于稀疏重构的单样本人脸识别方法。基本思路是首先构建人脸数据库，对人脸图像进行预处理，然后通过图像几何变换技术扩充人脸数据库，再利用稀疏重构技术进一步扩充人脸数据库，最后利用稀疏表达学习分类器，对待识别的人脸图像进行识别。本方法能够更为有效而充分地处理自然条件下的单样本人脸图像的识别问题，抑制噪声和遮挡带来的影响，提高了人脸图像的识别率。

技术方案：一种基于单样本的人脸识别方法，包含以下步骤：

步骤一：通过摄像头采集图像，构建人脸数据库；

步骤二：对采集到的人脸图像进行预处理；

步骤三：通过图像几何变换技术扩充人脸数据库；

步骤四：利用稀疏重构技术进一步扩充人脸数据库；

步骤五：对摄像头采集到的图像进行人脸检测；

步骤六：对人脸图像进行与步骤二相同的预处理；

步骤七：利用稀疏表达学习分类器，对待识别的人脸图像进行识别；

与现有的单样本人脸识别算法相比，本发明充分利用稀疏重构技术构建虚拟人脸图像，一方面扩充了人脸数据库，解决了单样本问题，另一方面抑制了噪声和遮挡对图像识别的影响，提高了单训练样本条件下人脸识别的识别率。

附图说明

图1为本发明具体实施流程图；

图2为角度变换得到的扩充人脸图像；

图3为镜像变换的四种组合方式；

图4为镜像变换得到的扩充人脸图像；

图5为对概率进行降序累加的过程示意图；

图6为利用处理后的3组和字典dⁱ虚拟生成图像。

具体实施方式

下面结合说明书附图进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明的实施主要包含四个步骤：(1)人脸图像预处理；(2)对图像进行角度和镜像变换扩充人脸库；(3)利用稀疏重构技术进一步扩充人脸库；(4)利用稀疏表达学习分类器，对检测到的人脸图像进行识别，并输出识别结果。

步骤一：通过摄像头采集图像，构建人脸数据库；

使用高清摄像头对用户进行人脸图像采集，构成n个用户的单人脸数据库x11、x21、x31……xn1。

步骤二：预处理；

由于采集到的自然场景下的人脸图像与预期样本存在很大差别，存在光照不均匀等因素干扰，所以对步骤一中采集到的人脸样本进行预处理，主要包括人脸图像的直方图均衡化、归一化等；

步骤三：通过图像几何变换技术扩充人脸图像库；

①角度变换：如图2所示，以原图像xi1为基准，旋转角度θ＝0.2×m(m为整数，且-4≤m≤4)，得到的图像依次记为xi2～xi9。

②镜像变换：如图3所示，将原图像左右平均分为a、b两部分，将a通过镜像得到a'，b通过镜像得到b'，然后将a、b、a'、b'组合生成图像aa'、bb'、b'a'，依次记为xi10～xi12。图4为通过镜像变换得到的

虚拟图像xi10～xi12。

步骤四：利用稀疏重构技术进一步扩充人脸图像库；

①将步骤三得到的第i个扩充人脸图像作为字典dⁱ，即xi2～xi12，通过求解以下稀疏优化问题计算第i个用户原图的稀疏表达系数αⁱ：

其中xi1表示原图像，λ表示平衡系数

②得到n个用户的稀疏表达系数αⁱ。对于每一个用户的稀疏表达系数αⁱ，都有11个特征值分别对应字典dⁱ中的xi2～xi12；

③对于第i个用户人脸图像，将11个稀疏表达系数求和记为对每一个稀疏表达系数求概率记为

将得到的概率进行降序排列(保证所对应的xi(j+1)不变)，从左到右依次记为p1,p2,...,p11，再对排列后的pk进行累加记为具体操作如图5所示；

④分别取阈值为85％、90％、95％三个值，当达到所取阈值时，停止累加，并记录此时的k值，找到pk+1,...,p11所对应的概率和并令对应的其他值保持不变，得到处理后的系数取不同的阈值时即可得到3组不同的处理后系数

⑤利用处理后的3组和字典dⁱ虚拟生成图像y'，记为xi13～xi15；

步骤五：对摄像头采集到的图像进行人脸检测；

接下来进行人脸识别过程，使用高清摄像头拍摄，并对拍摄到的画面进行人脸检测，如果没有检测到人脸，给出提示。

步骤六：对人脸图像进行与步骤二相同的预处理,处理后的图像记为y；

包括人脸图像的直方图均衡化、归一化等。

步骤七：利用稀疏表达学习分类器，对待识别的人脸图像进行识别；

①由扩充后的第i个人脸图像组成字典hⁱ，即xi1～xi15。利用如下优化问题得到预处理后的图像y在字典hⁱ的稀疏表达：

得到稀疏表达系数wⁱ；

②计算图像y在稀疏表达系数wⁱ下的偏差εi；

③获得图像y在用不同字典hⁱ下的偏差εi后，寻找最小值，输出最小值对应的下标i，即为识别的类别或对应的用户。