一種基于核貝葉斯壓縮感知的人臉識別方法
【專利摘要】本發(fā)明公開了一種基于核貝葉斯壓縮感知的人臉識別方法，包括人臉識別系統(tǒng)，其特征在于還包括以下步驟：局部二值模式特征提取、核空間映射和核貝葉斯壓縮感知分類。該方法結(jié)合了壓縮感知方案與貝葉斯方法各自的優(yōu)勢，壓縮感知方案中通過求稀疏系數(shù)矩陣可以很好的重構(gòu)原有圖像，再利用貝葉斯中先驗(yàn)信息對稀疏系數(shù)矩陣的約束，不僅一定程度上能克服噪聲的影響，對誤差范圍進(jìn)行估計(jì)，還對圖像的恢復(fù)有非常好的效果。能夠很好的克服人臉光照，遮擋以及表情等變化對人臉識別的影響，可以獲得較高的識別率，最高識別率可以達(dá)到99%。同時(shí)最后運(yùn)用稀疏矩陣進(jìn)行重構(gòu)識別，本發(fā)明運(yùn)行速度也比支持向量機(jī)快。
【專利說明】-種基于核貝葉斯壓縮感知的人臉識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及本發(fā)明涉及涉及機(jī)器視覺與圖像處理技術(shù)，尤其是人臉識別系統(tǒng)和方 法。

【背景技術(shù)】
[0002] 現(xiàn)有的人臉識別系統(tǒng)中，人臉識別的方法有多種，如支持向量機(jī)等，識別率低，并 且不能很好的克服人臉光照，表情，遮擋等變化。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提供一種能克服人臉光照，表情，遮擋等變化的基于核貝葉斯壓 縮感知的人臉識別方法。
[0004] 為了解決上述問題，結(jié)合核與貝葉斯壓縮感知的思想，設(shè)計(jì)了一種新的人臉識別 方法，首先用局部二值模式提取圖像特征，然后運(yùn)用直方圖交叉核投影到高維特征空間，最 后用貝葉斯結(jié)合壓縮感知來分類。具體為： 一種基于核貝葉斯壓縮感知的人臉識別方法，包括人臉識別系統(tǒng)，其特征在于還包括 以下步驟： 步驟1、圖像的局部二值模式特征提取 設(shè)一副圖像中3x3鄰域區(qū)域局部的紋理分布T = Kgpg0aLgp1)，其中&表示局部 區(qū)域中心點(diǎn)的像素值，&4。工表示以R為半徑的周圍相鄰等距離的P個(gè)像素點(diǎn)，為了 防止灰度差受到影響，我們定義一個(gè)函數(shù)元$ :

【權(quán)利要求】
1. 一種基于核貝葉斯壓縮感知的人臉識別方法，包括人臉識別系統(tǒng)，其特征在于還包 括以下步驟： 步驟1、圖像的局部二值模式特征提取 設(shè)一副圖像中3 x 3鄰域區(qū)域局部的紋理分布T = Kgpg0X Sp1)，其中g(shù),表示局部 區(qū)域中心點(diǎn)的像素值，Spgl3X 表示以R為半徑的周圍相鄰等距離的p個(gè)像素點(diǎn)，為了 防止灰度差受到影響，我們定義一個(gè)函數(shù)：
則一副圖像可以標(biāo)準(zhǔn)局部二值模式（LBP)提取特征，它的表達(dá)式為： 其中度量U為：

通過得到每個(gè)像素的局部二值模式（LBP)特征值，從而得到整幅圖像的特征； 步驟2、核空間映射 假設(shè)用LBP方法特征提取圖像特征集后，得到訓(xùn)練集為Φ =[何工，?] , φ也稱為 字典,測試集為F = Lvi上A],則通過直方圖交叉核函數(shù)訓(xùn)練集和測試集投影映射為 = ,_!)], #(乃=[#0\)工· #(?)],其中直方圖交叉核函數(shù)#的表達(dá)式如下：
其中務(wù)A是兩個(gè)維度為《的特征向量，分別是你巧特征向量的特征值； 根據(jù)公式還可以進(jìn)一步寫成：幻:Φ，Γ) =成; 步驟3、核貝葉斯壓縮感知的分類方法 ①設(shè)核空間的一個(gè)信號從F)可以用字典中的一組原子線性表示，則壓縮感知模型為： φ(γ) = φ(κΦ)1￥ + ε (5) 式中f是滿足Gaussian分布的噪聲：￡·: //(Ο,#) , IF = [W1JL ,wj是系數(shù)矩陣， Φ =[你 L .?]是字典，與表示字典中的一個(gè)原子； 則含有噪聲模型#〇)的似然估計(jì)為：
從上式可知，要通過對稀疏矩陣W和噪聲方差y的估計(jì)，從而重構(gòu)得到信號從y); ② 對于稀疏矩陣W和噪聲方差CX2的估計(jì)，一般采用貝葉斯中后驗(yàn)概率密度函數(shù)的方 法來實(shí)現(xiàn)，具體方法為 ： 首先利用超參數(shù)的多層結(jié)構(gòu)來定義先驗(yàn)假設(shè)，對于稀疏矩陣w的先驗(yàn)可以寫成：
其中I ο,ατ1)是均值為〇的高斯密度函數(shù)； 然后再定義《的先驗(yàn)為伽馬分布，公式為：
所以整體的稀疏矩陣w的先驗(yàn)概率密度函數(shù)可寫為
③ 最終得到稀疏矩陣w的表達(dá)式為： p(w I =納> IΣ) (10) 其中 = ，Σ^^^Φ'Φ) +』)-1，JsdSagOXpL ?%)，尤(#,另和 Γ(<，,Φ)分別表示訓(xùn)練集f與測試集7，φ?與φ的直方圖交叉核。
【文檔編號】G06K9/00GK104376311SQ201410739101
【公開日】2015年2月25日 申請日期:2014年12月8日 優(yōu)先權(quán)日:2014年12月8日
【發(fā)明者】元昌安, 周凱, 宋文展, 鄭彥 申請人:廣西大學(xué)