基于HOG特征稀疏表示的非约束人脸识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106250811A(43)申请公布日2016.12.21(21)申请号201610432019.2(22)申请日2016.06.15(71)申请人南京工程学院地址211167江苏省南京市江宁科学园弘景大道1号(72)发明人童莹陈凡曹雪虹(74)专利代理机构南京正联知识产权代理有限公司32243代理人王素琴(51)Int.Cl.G06K9/00(2006.01)权利要求书2页说明书7页附图3页(54)发明名称基于HOG特征稀疏表示的非约束人脸识别方法(57)摘要本发明提供一种基于HOG特征稀疏表示的非约束人脸识别方法，首先输入人脸数据库图片，提取输入图片的HOG特征；从每类人中随机选择若干张图片作训练，其余留作测试；将每类人每张训练图片的HOG特征列向量构建特征字典；利用梯度投影稀疏重建算法得到测试样本的HOG特征稀疏表示系数；按类依次保留稀疏系数，剩余系数置零，得到近似稀疏系数，与字典相乘得到测试样本估计值；计算测试样本与估计值的均方误差，根据均方误差最小原则判断测试样本类别。该方法有效降低非约束环境对人脸识别性能的影响，增强非约束人脸识别的鲁棒性。解决了传统稀疏表示分类算法中因字典维度大导致运行速度慢的问题，有效提高算法运行效率。CN106250811ACN106250811A权利要求书1/2页1.一种基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，S1、首先输入人脸数据库图片，提取输入图片的HOG特征；S2、从每类人中随机选择若干张图片作训练，其余留作测试，分为测试样本和训练样本；将每类人每张训练图片的HOG特征列向量构建特征字典，字典列数与训练样本数目相同；S3、利用梯度投影稀疏重建算法得到测试样本的HOG特征稀疏表示系数；S4、按类依次保留稀疏系数，剩余系数置零，得到近似稀疏系数，与字典相乘得到测试样本估计值；S5、计算测试样本与估计值的均方误差，根据均方误差最小原则判断测试样本类别。2.如权利要求1所述的基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，步骤S1具体为：输入原始图像即灰度图片I(x,y)，利用HOG算子提取样本图片I(x,y)纹理特征，记为HOG_feature_i，HOG_feature_i数组代表第i类人的HOG特征，其中每一行又存储了一幅图片的纹理特征，每一行由q个特征组成。3.如权利要求2所述的基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，步骤S2具体为：从HOG_feature_i中随机取出m行特征向量用于构建特征字典，m类似于每类人训练样本的个数；把从n类中抽取的m*n个特征向量转置构建特征字典D，使得每一列代表一个训练样本。4.如权利要求3所述的基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，步骤S3具体为：利用梯度投影稀疏重构算法依次对HOG_feature_i中剩余的特征向量y即测试样本的纹理特征向量进行重建，每次得到稀疏系数alpha，alpha是一个(m*n)*1的列向量。5.如权利要求4所述的基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，步骤S4具体为：依次保留稀疏系数alpha中的第1、2、3...n类对应的稀疏系数，其余类的对应系数置零，记为计算均方误差6.如权利要求5所述的基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，步骤S5具体为：比较n个均方误差值error_j，取其中最小的均方误差值error_j，j的值就是该测试样本y所属的类别。7.如权利要求1所述的基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，步骤S1中，提取输入图片的HOG特征采用基于关键点的多尺度主方向旋转HOG特征提取方法，具体为：首先，构造多尺度主方向旋转梯度模板，包括3*3和5*5两个尺度的主方向旋转梯度模板；然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，以关键点为中心，在邻域范围内分别计算3*3和5*5两个尺度、四组旋转梯度模板下的HOG特征，并将每个尺度的四组HOG特征级联，得到3*3尺度、5*5尺度的主方向旋转HOG特征，即k-PDR-HOG-3、k-PDR-HOG-5；最后，将k-PDR-HOG-3和k-PDR-HOG-5两个特征级联融合，得到基于关键点的多尺度主方向旋转HOG特征。8.如权利要求7所述的基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，构2CN106250811A权利要求书2/2页造3*3尺度主方向旋转梯度模板具体为：在一个圆周2π范围内将3*3尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即3*3尺度主方向旋转梯度模板；根据梯度求导规则将八个3*3尺度主方向旋转梯度模板两两为一组分