基于词袋压缩感知特征提取的人脸识别方法

摘要

本发明公开了一种基于词袋压缩感知特征提取的人脸识别方法，包括人脸识别系统，其特征在于其识别步骤包括：图像的尺度不变特征变换特征提取、特征编码、不同尺度的特征融合和分类。该方法相比于原来的词袋模型，不仅简单实用，而且更有效，用尺度不变特征变换提取图像关键点特征后，不再找聚类中心或者学字典，而是利用随机矩阵。让关键点特征通过与随机矩阵来进行编码，可以节省大量时间，而且没有像原词袋模型方法那样，丢失大量的空间信息。能够很好的克服人脸光照，遮挡以及表情等变化对人脸识别的影响，不仅可以获得较高的识别率，运行速度也较快，在很具有挑战性的AR数据库上进行人脸识别，大大提高了人脸识别率，更具有实时性。

主权项

1.一种基于词袋压缩感知特征提取的人脸识别方法，包括人脸识别系统，其特征在于其识别步骤为：步骤一、用尺度不变特征变换特征的方法来提取图像特征； (1)设一幅图像的函数为，图像与高斯核函数卷积得到不同尺度下的尺度空间；公式如下：(1)其中，表示像素位置，表示尺度空间，表示尺度空间因子；得到图像的尺度空间后，采用金字塔方法，即用差分高斯金字塔函数与图像卷积得到的空间的方法寻找来寻找极值点，得到的公式为：(2)其中ｋ是相邻两个不同的尺度空间；(3)根据极值点进而确定关键点，对关键点赋予的一个方向，实现图像的旋转不变性，具体做法为，根据关键点所在的尺度，选择与该尺度最相近的高斯平滑图像；计算上每一个点的梯度与方向；(3)(4)(4)关键点周围选择一个邻域，以关键点为中心利用所有在此区域内的点的梯度形成一个直方图；并对其中点的梯度做高斯加权；这个邻域划分为四个子区域，在每个子区域取八个方向；从而得到图像的尺度不变特征变换；步骤二、特征编码用分块的方法将图像分割为块后，每块用上述的尺度不变特征变换得到图像的局部特征后，利用压缩感知的思想，系统随机生成一个随机字典B，然后通过稀疏表示得到特征编码；假如系统生成的随机字典为，一幅图像分割为块，是图像尺度不变特征变换提取的第块特征，一幅图像的每一局部块通过式(5)可求得特征编码，公式如下：(5)其中是常数，是所求特征编码步骤三、图像中不同尺度的特征融合利用(5)式得到一副图像的特征编码矩阵为，是对应块的系数，为了融合系数用最大池方法，其定义为：(6)其中是池向量的第个元素，表示系数编码矩阵的行，列；最后使用空间金字塔匹配算法，即将一副图像分割成与不同的块，就可以对不同空间位置和尺度的子区域进行特征编码，假如使用空间金字塔匹配算法求得该尺度的最大池为，然后将不同尺度和区域的特征向量串接起来，最后得到这副图像特征向量；步骤四、分类用上述方法特征提取得到每幅图像的特征向量后，采用核稀疏表示方法来分类，核函数采用直方图交叉核，其表达式如下：(7)其中是两个维度为的特征向量，分别是特征向量的特征值；假如图像特征提取后得到的训练集为，测试样本为，以第个测试样本为例，可以通过矩阵核表示为：(8)其中是核函数高维特征投影空间的稀疏系数，将上式展开后得到的式子如下：(9)其中表示第个测试样本，表示求与的直方图交叉核；解式(9)得到系数后，最后通过求最小残差的来分类：(10)式中表示第类相应的稀疏表示系数。