鲁棒的人脸图像主成分特征提取方法及识别装置的制造方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，特别涉及一种鲁棒的人脸图像主成分特征提取方 法及识别装置。
【背景技术】
[0002] 在大量的现实应用中，大多数现实数据都具有高维的特征，例如人物面部图像或 人脸图像。对于图像而言，图像中的像素构成了图像向量样本数据的维度或特征，因此尺寸 较大的图像则将构成了维度很高的向量样本数据。但是人脸图像在采集、传输、显示、压缩 保存等过程容易形成不利的无用特征、冗余信息或噪音数据，因此如何从高维的人脸图像 数据中提取出最具描述性的特征，进行人脸图象识别，是本领域技术人员需要解决的问题。
[0003] 对于人脸图像主成分特征提取，最经典的方法是PCA(Principal Component Analysis，主成分分析hPCA可以有效地展示数据之间的线性关系，但是基于L2范数的PCA 模型已被证明对噪音、异常值或数据缺失非常敏感，所以可能无法精确展示现实人脸图像 数据的潜在的真实子空间结构。为了克服PCA的缺陷，一些鲁棒的PCA模型近年来被研究学 者提出，例如PCA-L1 (基于L1范数的主成分分析)和IRPCA( Inductive Robust Principal Component Analysis，归纳式鲁棒主成分分析）JCA-Ll通过将PCA中的L2范数替换成LI范 数来衡量散度矩阵，因此这种方法具有旋转不变性并对噪音和异常值健壮。IRPCA目标是通 过一个低秩的投影来去除或纠正样本数据中可能含有的错误，且可有效处理样本外数据。 PCA-L1和IRPCA均能够得到描述性更强的鲁棒主成分特征，但是二者在主成分特征编码中 仅考虑了数据的低秩特性或稀疏特性。
[0004] 鉴于考虑数据的低秩特性或稀疏特性在特征描述过程中的重要性，本发明提供了 一种鲁棒人脸图像主成分特征提取新方法及识别装置，提高了人脸图像描述与识别的准确 度，是本领域技术人员亟待解决的问题。
【发明内容】
[0005] 本发明的目的是提供一种鲁棒的人脸图像主成分特征提取方法及识别装置，通过 引入低秩恢复和稀疏描述的思想，可编码得到描述性更强的人脸图像主成分特征，同时可 去除噪音，有效提高了人脸识别的效果。
[0006] 为解决上述技术问题，本发明提供一种鲁棒的人脸图像主成分特征提取方法，基 于低秩矩阵恢复和稀疏描述的方法，包括：
[0007] 通过同时考虑人脸图像训练样本数据的低秩与稀疏特性，将经过一个投影嵌入的 主成分特征直接进行低秩和L1-范数最小化，编码得到一个描述性强的鲁棒投影P以及稀疏 错误矩阵E，利用鲁棒投影P直接提取人脸图像的联合低秩与稀疏主成分特征，同时利用稀 疏错误矩阵E可完成图像纠错处理；
[0008] 利用鲁棒投影P提取训练样本的嵌入主成分特征，通过额外一个分类错误最小化 问题可得到一个线性多类分类器W*，用于人脸测试图像的归类；
[0009]在处理测试样本时，利用鲁棒投影P提取测试样本的联合低秩与稀疏主成分特征， 利用线性多类分类器W*进行归类，根据得到的软标签中的概率最大值对应的位置，得到人 脸图像识别结果。
[0010]可选的，将经过一个投影嵌入的主成分特征直接进行低秩和L1-范数最小化，编码 得到一个描述性强的鲁棒投影P以及稀疏错误矩阵E，包括：
[0011]选取m个人脸图像训练样本进行预处理得到训练样本图像矩阵X=[X1，X2,. . .，xm] ￡RnXm，并设定鲁棒投影模型的参数;其中，η为训练样本的维度；
[0012] 利用公另
ubj Χ = ΡΧ+Ε将训练样本图像矩阵X 分解得到鲁棒投影矩阵Ρ及稀疏错误矩阵Ε;
[0013] 其中，权衡参数λ>〇且依赖于错误或噪音级别，ae[0，l]为低秩主成分编码特征 和稀疏主成分编码特征之间的权衡参数；I I □ 11*为核范数，11 □ I USLI范数，| | □ | |m表示 L1范数或L2，l范数；
[0014] 其中
其中
表示矩 阵L的奇异值之和。
[0015] 可选的，利用鲁棒投影P提取训练样本的嵌入主成分特征，通过额外一个分类错误 最小化问题可得到一个线性多类分类器W*，包括：
[0016] 利用所述鲁棒投影矩阵P，得到m个训练样本的联合低秩与稀疏主成分特征；
[0017] 将每个训练样本的联合低秩与稀疏主成分特征输入多元岭回归模型进行分类器 学习，通过
优化得到一个线性多类分类器w%w$=(pxxTp T+inr ipXHT;
[0018] 其中，Η=[1η，1ι2, . . . AdeRM是所有训练样本的初始标签，c是所有训练样本类 别数。h代表训练样本&的标签，若&的标签为i，l < i < c，则hu = l，h冲其他元素 hu均为 00
[0019] 可选的，利用鲁棒投影P提取测试样本的联合低秩与稀疏主成分特征之前，包括：
[0020] 将每个测试样本的分辨率设置为32X32,形成1024维。
[0021] 可选的，还包括：
[0022] 交替地对鲁棒投影P及线性多类分类器W*进行更新。
[0023] 本发明提供一种鲁棒的人脸图像主成分特征提取的识别装置，基于低秩矩阵恢复 和稀疏描述的方法，包括：
[0024]预处理模块，用于将人脸图像训练样本和测试样本数据进行归一化处理及鲁棒投 影模型参数初始化，生成人脸图像的训练样本和测试样本；
[0025] 训练模块，用于通过同时考虑人脸图像训练样本数据的低秩与稀疏特性，将经过 一个投影嵌入的主成分特征直接进行低秩和L1-范数最小化，编码得到一个描述性强的鲁 棒投影P以及稀疏错误矩阵E，利用鲁棒投影P直接提取人脸图像的联合低秩与稀疏主成分 特征，同时利用稀疏错误矩阵E可完成图像纠错处理；
[0026] 分类器学习模块，用于利用鲁棒投影P提取训练样本的嵌入主成分特征，通过额外 一个分类错误最小化问题可得到一个线性多类分类器W*，用于人脸测试图像的归类；
[0027]测试模块，用于在处理测试样本时，利用鲁棒投影P提取测试样本的联合低秩与稀 疏主成分特征，利用线性多类分类器W*进行归类，根据得到的软标签中的概率最大值对应 的位置，得到人脸图像识别结果。
[0028]可选的，所述训练模块包括：
[0029]预处理单元，用于选取m个人脸图像训练样本进行预处理得到训练样本图像矩阵X = [X1，X2，. . .，Xm]eRnXm，并设定鲁棒投影模型的参数;其中，n为训练样本的维度；
[0030] 分解单元，用于利用公另_
Subj X = PX+E将训练 样本图像矩阵X分解得到鲁棒投影矩阵P及稀疏错误矩阵E;
[0031] 其中，权衡参数λ>〇且依赖于错误或噪音级别，ae[0，l]为低秩主成分编码特征 和稀疏主成分编码特征之间的权衡参数；I I □ 11*为核范数，11 □ I USLI范数，| | □ | |m表示 L1范数或L2，l范数；
[0032] 其中
实中
表示矩 阵L的奇异值之和。
[0033]可选的，所述分类器学习模块包括：
[0034]特征获取单元，用于利用所述鲁棒投影矩阵P，得到m个训练样本的联合低秩与稀 疏主成分特征；
[0035]分类器学习单元，用于将每个训练样本的联合低秩与稀疏主成分特征输入多元岭 回归模型进行分类器学习，通句
优化得到一个线性多类分类器W'
[0036]其中，Η=[1η，1ι2, . . . AdeRM是所有训练样本的初始标签，c是所有训练样本类 别数。h代表训练样本&的标签，若&的标签为i，l < i < c，则hu = l，h冲其他元素 hu均为 00
[0037]可选的，所述预处理模块包括：
[0038]分辨率单元，用于将每个测试样本及训练样本的分辨率设置为32X32,形成1024 维。
[0039] 可选的，还包括：
[0040] 更新模块，用于交替地对鲁棒投影P及线性多类分类器W*进行更新。
[0041] 本发明所提供的鲁棒人脸图像主成分特征提取方法及识别装置，通过同时考虑人 脸图像训练样本数据的低秩与稀疏特性，将经过一个投影嵌入的主成分特征直接进行低秩 和L1-范数最小化，编码得到一个描述性强的鲁棒投影P，可直接提取人脸图像的联合低秩 与稀疏主成分特征，同时可完成图像纠错处理;利用所述模型的训练样本的嵌入主成分特 征，通过额外一个分类错误最小化问题可得到一个线性多类分类器W'用于人脸测试图像 的归类;在处理测试样本时，利用所述线性矩阵P提取其联合特征，进而利用分类器f进行 归类;通过引入低秩恢复和稀疏描述的思想，可编码得到描述性更强的人脸图像主成分特 征，同时可去除噪音，有效提高了人脸识别的效果。
【附图说明】
[0042] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。
[0043] 图1为本发明实施例所提供的鲁棒的人脸图像主成分特征提取方法的流程图；
[0044] 图2为本发明实施例提供的一种人脸图像识别预测示意图；
[0045] 图3为本发明实施例提供的一种人脸图像特征提取和噪音错误检测示意图；
[0046] 图4为本发明实施例所提供的鲁棒的人脸图像主成分特征提取的识别装置的结构 框图。
【具体实施方式】