專利名稱：基于結(jié)構(gòu)化誤差編碼的人臉遮擋檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，特別是涉及人臉識別領(lǐng)域。
背景技術(shù)：
隨著信息技術(shù)的高速發(fā)展，人臉識別技術(shù)已廣泛應(yīng)用于現(xiàn)實(shí)生活中，如銀行的各類ATM取款機(jī)對取款人的監(jiān)控，海關(guān)、關(guān)口對進(jìn)出旅客的監(jiān)控。在實(shí)際人臉圖像處理過程中，人臉圖像的遮擋(如眼鏡、口罩、圍巾等)會經(jīng)常出現(xiàn)，而遮擋對人臉識別或人臉合成而言是個(gè)極大的障礙。因此，如何快速、自動地檢測人臉遮擋并重建人臉遮擋區(qū)域的圖像，成為近年來人臉圖像處理的研究熱點(diǎn)之一。
目前已有的遮擋檢測技術(shù)主要是基于對重構(gòu)誤差的處理，即首先用訓(xùn)練樣本對有遮擋的圖像進(jìn)行重構(gòu)，得到無遮擋的重構(gòu)圖像，然后計(jì)算兩者之間的誤差，通過分析誤差的大小，判定被遮擋的區(qū)域?；谡`差分析的遮擋檢測技術(shù)主要可分為基于字典的稀疏編碼方法，基于誤差度量的方法，基于誤差分布的方法，以及基于誤差結(jié)構(gòu)的方法。這些方法在處理連續(xù)遮擋時(shí)，有個(gè)共同的問題當(dāng)圖像維數(shù)低于某一臨界值或遮擋面積高于某一百分點(diǎn)時(shí)，檢測準(zhǔn)確率會顯著而非平緩地下降。針對此問題，本發(fā)明提出一種新的基于結(jié)構(gòu)化誤差編碼的人臉遮擋檢測方法。

發(fā)明內(nèi)容
本發(fā)明提供一種檢測準(zhǔn)確率高、可行性好的基于結(jié)構(gòu)化誤差編碼的人臉遮擋檢測方法，適合于處理圖像維數(shù)較低或遮擋面積較大情況。為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是提供基于結(jié)構(gòu)化誤差編碼的人臉遮擋檢測方法，包括以下步驟步驟I :將待檢測人臉圖像數(shù)據(jù)和訓(xùn)練樣本數(shù)據(jù)拉伸為列向量；步驟2 :定義誤差支撐，并初始化；步驟3 :在最小化⑶誤差準(zhǔn)則下，由誤差支撐，計(jì)算待檢測人臉圖像數(shù)據(jù)對由訓(xùn)練樣本數(shù)據(jù)構(gòu)成的字典的稀疏編碼和重構(gòu)誤差；步驟4 :根據(jù)重構(gòu)誤差估計(jì)誤差支撐；步驟5 :建立描述誤差支撐的形態(tài)圖，由形態(tài)圖和重構(gòu)誤差，再次估計(jì)誤差支撐；步驟6 :迭代步驟3-5，得到重構(gòu)誤差序列和誤差支撐序列；步驟7 :選取最優(yōu)誤差支撐，并根據(jù)最優(yōu)誤差支撐獲得待檢測人臉圖像中被遮擋像素點(diǎn)的集合。進(jìn)一步地，所述步驟I中的將待檢測的人臉圖像和各訓(xùn)練樣本拉伸為列向量是將mXn維的圖像數(shù)據(jù)矩陣?yán)鞛镸=mXn維的列向量，m、n分別為圖像數(shù)據(jù)的行數(shù)和列數(shù)。進(jìn)一步地，所述步驟2中的誤差支撐為s G {-I, 1}M，其中Si=-I表示未被遮擋，Si=I表示被遮擋；初始化誤差支撐是將誤差支撐初始化為Si=-Ki = 1，…，M)。{-I, 1}"表示M維列向量的集合,且該集合中列向量的元素來自集合{-1，1}。
進(jìn)一步地，所述步驟3中的由訓(xùn)練樣本構(gòu)成的字典是將每個(gè)拉伸處理后的訓(xùn)練樣本，按列排放，構(gòu)成字典。進(jìn)一步地，所述步驟3中的⑶誤差用于度量任意兩個(gè)相同維數(shù)的向量
oe Rm 和 fee Rm 之間的誤差，定義為
權(quán)利要求
1.基于結(jié)構(gòu)化誤差編碼的人臉遮擋檢測方法，其特征在于，包括以下步驟 步驟I:將待檢測人臉圖像數(shù)據(jù)和訓(xùn)練樣本數(shù)據(jù)拉伸為列向量； 步驟2 :定義誤差支撐，并初始化； 步驟3 :在最小化CD誤差準(zhǔn)則下，由誤差支撐，計(jì)算待檢測人臉圖像數(shù)據(jù)對由訓(xùn)練樣本數(shù)據(jù)構(gòu)成的字典的稀疏編碼和重構(gòu)誤差； 步驟4 :根據(jù)重構(gòu)誤差估計(jì)誤差支撐； 步驟5 :建立描述誤差支撐的形態(tài)圖，由形態(tài)圖和重構(gòu)誤差，再次估計(jì)誤差支撐； 步驟6 :迭代步驟3-5，得到重構(gòu)誤差序列和誤差支撐序列； 步驟7 :選取最優(yōu)誤差支撐，并根據(jù)最優(yōu)誤差支撐獲得待檢測人臉圖像中被遮擋像素點(diǎn)的集合。
2.根據(jù)權(quán)利要求I所述的檢測方法，其特征在于，所述步驟I中的將待檢測的人臉圖像和各訓(xùn)練樣本拉伸為列向量是將mXn維的圖像數(shù)據(jù)矩陣?yán)鞛镸=mXn維的列向量。
3.根據(jù)權(quán)利要求2所述的檢測方法，其特征在于，所述步驟2中的誤差支撐為s G {-I, 1}M,其中Si=-I表不未被遮擋，Si=I表不被遮擋；初始化誤差支撐是將誤差支撐初始化為 Si=-I (i = l，...，M)。
4.根據(jù)權(quán)利要求I所述的檢測方法，其特征在于，所述步驟3中的由訓(xùn)練樣本構(gòu)成的字典是將每個(gè)拉伸處理后的訓(xùn)練樣本，按列排放，構(gòu)成字典。
5.根據(jù)權(quán)利要求I所述的檢測方法，其特征在于，所述步驟3中的CD誤差用于度量任意兩個(gè)相同維數(shù)的向量之間的誤差，定義為
6.根據(jù)權(quán)利要求5所述的檢測方法，其特征在于，所述步驟3中的待檢測的人臉圖像對由訓(xùn)練樣本構(gòu)成的字典的稀疏編碼和重構(gòu)誤差按以下公式計(jì)算
7.根據(jù)權(quán)利要求5所述的檢測方法，其特征在于，所述步驟4中估計(jì)誤差支撐的具體步驟為如果是首次迭代，t = 1，則對重構(gòu)誤差e進(jìn)行兩類均值聚類，得到誤差支撐S，并初始化閾值t(1) =max{ei|Si=-l};否則，t>l，對重構(gòu)誤差e進(jìn)行閾值聚類，得到誤差支撐
8.根據(jù)權(quán)利要求7所述的檢測方法，其特征在于，所述步驟5具體步驟為 步驟5. I :建立描述誤差支撐s的形態(tài)圖G= (V，E，B)，其中V為G的頂點(diǎn)(Vertex)的集合V={1, 2，…，M}且每個(gè)頂點(diǎn)Vi的類標(biāo)為Si ;E為G的邊(Edge)的集合E=Ki, j) I i, j G V，I Ci-Cj 2=1},其中 Ci=Iicil, ci2]T 是頂點(diǎn) Vi 的坐標(biāo)；B 為 G 的各子圖的邊界的集合 B= {Bk I k=-l, 1}，其中
9.根據(jù)權(quán)利要求I所述的檢測方法，其特征在于，所述步驟6的重構(gòu)誤差序列為
10.根據(jù)權(quán)利要求9所述的檢測方法，其特征在于，所述步驟7的具體步驟為 步
全文摘要
本發(fā)明提供一種檢測準(zhǔn)確率高、可行性好的基于結(jié)構(gòu)化誤差編碼的人臉遮擋檢測方法，適合于處理圖像維數(shù)較低或遮擋面積較大情況。具體步驟為步驟1將待檢測人臉圖像數(shù)據(jù)和訓(xùn)練樣本數(shù)據(jù)拉伸為列向量；步驟2定義誤差支撐，并初始化；步驟3在最小化CD誤差準(zhǔn)則下，由誤差支撐計(jì)算待檢測人臉圖像數(shù)據(jù)對由訓(xùn)練樣本數(shù)據(jù)構(gòu)成的字典的稀疏編碼和重構(gòu)誤差；步驟4根據(jù)重構(gòu)誤差估計(jì)誤差支撐；步驟5建立描述誤差支撐的形態(tài)圖，由形態(tài)圖和重構(gòu)誤差，再次估計(jì)誤差支撐；步驟6迭代步驟3-5，得到重構(gòu)誤差序列和誤差支撐序列；步驟7選取最優(yōu)誤差支撐，并根據(jù)最優(yōu)誤差支撐獲得待檢測人臉圖像中被遮擋像素點(diǎn)的集合。
文檔編號G06K9/62GK102750546SQ20121018742
公開日2012年10月24日 申請日期2012年6月7日 優(yōu)先權(quán)日2012年6月7日
發(fā)明者戴道清, 李小薪 申請人:中山大學(xué)