一种群组稀疏约束的判别线性回归人脸识别方法

1.本发明涉及人脸识别领域，更具体的说是涉及一种群组稀疏约束的判别线性回归人脸识别方法。


背景技术：

2.人脸识别技术是计算机视觉最重要的应用之一，它是基于人的脸部特征信息进行身份识别的一种生物识别技术。广泛应用于政府、银行、电子商务、安防等领域，而如今的人脸识别技术依旧存在着一些技术难题，例如光照问题、姿态问题、遮挡问题等因素都会降低人脸图像的质量，导致人脸识别中的分类精度大大降低。人脸识别系统一般采用高质量的特征提取技术，系统的成功与否很大程度取决于分类精度的高低，因此设计一种更紧凑、判别力更强的多分类模型来提高分类精度意义重大。
3.目前基于线性回归的人脸识别存在分类精度低、判别能力弱、鲁棒性差等问题，尚无法对人脸做到较高精度的分类与识别。


技术实现要素：

4.有鉴于此，本发明提供了一种群组稀疏约束的判别线性回归人脸识别方法，来解决现在基于线性回归的人脸识别分类精度低、判别能力弱、鲁棒性差等问题。
5.为了实现上述目的，本发明采用如下技术方案：
6.一种群组稀疏约束的判别线性回归人脸识别方法，包括以下步骤：
7.对人脸数据库中的人脸图像进行预处理，得到训练样本和测试样本；
8.通过ε拖拽处理构建原始判别线性回归模型；
9.引入l2,1正则项对原始判别线性回归模型施加群组稀疏约束，得到初步判别线性回归模型；
10.利用所述训练样本对初步判别线性回归模型训练，得到判别线性回归模型；
11.将所述测试样本输入到判别线性回归模型中，得到人脸识别结果。
12.可选的，对数据库中的人脸图像预处理的步骤如下：
13.对人脸图像统一尺寸，并划分为训练样本和测试样本；
14.对训练样本和测试样本分别进行标准化处理，统一数据中不同特征的量纲。
15.可选的，通过ε拖拽处理构建原始判别线性回归模型，所述原始判别线性回归模型表示为：
[0016][0017]
其中，x表示训练样本矩阵，w表示投影矩阵，t表示偏置量，λλ表示正则化参数，||
·
||f表示矩阵的frobenius范数，b表示ε拖拽方向，由 1、-1组成的常数矩阵，
⊙
表示矩阵的hadamard乘积，m是一个常数矩阵，表示标签拖拽的距离。
[0018]
可选的，引入l2,1正则项对初步判别线性回归模型施加群组稀疏约束，得到初步
判别线性回归模型，所述初步判别线性回归模型表示如下：
[0019][0020]
其中，λ1、λ2表示正则化参数，||
·
||f表示矩阵的frobenius范数，b表示ε拖拽方向，由 1、-1组成的常数矩阵，
⊙
表示矩阵的hadamard乘积，m是一个常数矩阵，表示标签拖拽的距离。
[0021]
可选的，使用网格搜索法确定最佳参数组合，设定正则化参数λ1、λ2的候选集为{1.0,0.5,0.1,0.05,0.01,0.005,0.001,0.0005,0.0001}。
[0022]
可选的，还包括对所述判别线性回归模型迭代优化求解目标函数，得到投影矩阵与偏置。
[0023]
可选的，对所述判别线性回归模型迭代优化求解目标函数具体如下：
[0024]
定义其中r＝y b
⊙
m，给定m和d，对w和t分别求偏导，并令偏导数均为0，得到：
[0025][0026][0027]
其中d为由对角元素d
ii
＝1/||wi||2组成的对角矩阵，in为单位矩阵。得到w、t的解：
[0028]
w＝(x
t
hx λ1id λ2d)-1
x
t
hr；
[0029][0030]
其中，
[0031]
令e＝xw ent
t-y，求解m：
[0032]mij
＝max(b
ijeij
,0)，即m＝max(b
⊙
e,0)。
[0033]
可选的，还包括不断迭代更新m、w、t(标签拖拽距离的常数矩阵m、投影矩阵w、偏置量t)直至模型收敛，找到模型的全局最优解，计算模型分类准确精度，对模型进行性能对比评估。
[0034]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种群组稀疏约束的判别线性回归人脸识别方法，基于松弛回归目标理论，通过ε拖拽处理构建判别线性回归模型扩大不同类之间的距离，更好拟合回归任务，提高模型的灵活性和紧凑性；再在判别线性回归模型的基础上，引入群组稀疏约束系数进行约束判别线性回归模型，在训练过程中去除冗余特征，实现特征选择，进一步提高模型的紧凑性和判别能力，从而提高模型的分类精度、识别速度和鲁棒性。
附图说明
[0035]
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。
[0036]
图1a-图1c为本发明的人脸数据库图像实施例图；
[0037]
图2为本发明的流程示意图。
具体实施方式
[0038]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039]
图1a-图1c为本发明进行实验的三个人脸数据库图像实施例，图1a为extendedyaleb人脸数据库部分图像，图1b为ar人脸数据库部分图像，图1c为lfw人脸数据库部分图像，本发明具体实施方法如图2所示。
[0040]
如图2所示，本发明实施例提供了一种群组稀疏约束的判别线性回归人脸识别方法，其步骤如下：
[0041]
步骤一、对人脸数据库中的人脸图像进行预处理，得到训练样本和测试样本，并对测试样本和训练样本进行标准化处理；
[0042]
具体方法为：
[0043]
(1)在三个人脸图像数据库实施例中，对于extended yaleb数据库，基于一致性原则，该数据库所有图像都调整为32
×
32像素；对于ar数据库，该数据库所有图像都调整为50
×
40像素；对于lfw数据库，该数据库所有图像都调整为32
×
32像素.
[0044]
(2)在人脸数据库中划分选择n幅人脸图像作为一次训练样本，人脸数据库中剩余的人脸图像作为一次测试样本；在人脸数据库中划分四次，得到四组训练样本和测试样本。对于extended yaleb数据库，分别划分每一类15、20、25、30个样本为训练样本；对于ar数据库，分别划分每一类8、11、14、17个样本为训练样本；对于lfw数据库，分别划分每一类5、6、7、8个样本为训练样本；对于上面三个人脸图像数据库实施例，将每一类剩下的样本作为测试样本；划分训练样本与测试样本。
[0045]
(3)对训练样本和测试样本分别进行标准化处理，消除数据中不同特征量纲不一致，导致数值间差别很大的影响。
[0046]
步骤二、根据训练样本数据点及类标签，基于线性回归模型对训练样本标签引入ε拖拽技术初步构建判别线性回归模型：
[0047][0048]
其中，λ表示正则化参数，||
·
||f表示矩阵的frobenius范数，b表示ε拖拽方向，即由 1、-1组成的常数矩阵，
⊙
表示矩阵的hadamard乘积，m是一个常数矩阵，表示标签拖拽的距离。
[0049]
该模型基于线性回归模型引入b
⊙
m进行ε拖拽处理。
[0050]
步骤三、引入l2,1正则项对判别线性回归模型进行群组稀疏约束，表示模型为：
[0051][0052]
步骤四、基于群组稀疏约束的判别线性回归模型进行迭代优化求解：使用网格搜索法确定最佳参数组合，设定正则化参数λ1、λ2的候选集为{1.0,0.5,0.1,0.05,0.01,0.005,0.001,0.0005,0.0001}，基于凸优化理论，通过迭代优化求解目标函数，基于l2,1范数导数的性质：
[0053]
(1)
[0054]
(2)即其中wi为由w的第i行元素组成的向量,定义：素组成的向量,定义：其中r＝y b
⊙
m，给定m和d，对w和t分别求偏导，并令偏导数均为0，得到：
[0055][0056][0057]
其中d为由对角元素d
ii
＝1/||wi||2组成的对角矩阵，in为单位矩阵。得到w、t的解：
[0058]
w＝(x
t
hx λ1id λ2d)-1
x
t
hr
[0059][0060]
这里，再通过以下步骤求解m：
[0061]
(1)令e＝xw ent
t-y；
[0062]
(2)简化为基于矩阵frobenius范数的平方逐元素解耦，可以等价地解耦成n
×
c个子问题。对于第i行和第j列元素m
ij
，求解问题即为
[0063]
(3)由于b表示ε拖拽方向，是由 1、-1组成的常数矩阵，即则有(e
ij-b
ijmij
)2＝(b
ijeij-m
ij
)2，考虑到m的非负约束，有：
[0064]mij
＝max(b
ijeij
,0)即m＝max(b
⊙
e,0)
[0065]
不断迭代更新m、w、t直至模型收敛，找到模型的全局最优解，计算模型分类准确精度，并对模型进行性能对比评估。
[0066]
关于本发明的分类精度问题，本发明方法与其他方法进行对比，分析性能，具体分析结果如下表所示。
[0067]
表1方法l21lsr基于实施例extendedyaleb人脸数据库与其他方法的分类精度对比(aver std％)
[0068][0069]
表2方法l21lsr基于实施例ar人脸数据库与其他方法的分类精度对比(aver std％)
[0070][0071]
表3方法l21lsr基于实施例lfw人脸数据库与其他方法的分类精度对比(aver std％)
[0072][0073]
由表1可看出，本发明采用的方法在大多数情况下实现了更高的准确性。尽管cbds可以达到相似的效果，但是当每个受试者在训练数据中包含15、25、30个样本时，与其他方法相比，l21lsr的分类精度仍会提高。
[0074]
由表2、表3本发明采用的方法的分类精度完全实现了提高。
[0075]
总的来说，在基于ε拖拽初步构建的判别线性回归模型上通过引入l2,1正则项对判别线性回归模型进行群组稀疏约束构建模型，以学习具有行稀疏结构的更紧凑和有判别力的投影矩阵使得模型具有更好的判别力、灵活性与鲁棒性，大大提高了模型的识别能力。因此，从对比实施例实验中，我们可以得出结论，所提出的l21lsr方法优于上述实施例的所有对比回归方法，这表明l21lsr方法在解决人脸识别任务方面具有良好性能。
[0076]
综上所述，本发明提供的技术方法通过对人脸图像的测试样本与训练样本进行预处理、设计基于ε拖拽处理构建判别线性回归模型、引入l2,1群组稀疏约束系数对判别线性回归模型进行群组稀疏约束构建模型、求解分类器模型对测试样本进行识别的技术手段，提高了人脸识别分类精度，消除了鲁棒性差、收敛速度慢等问题。
[0077]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0078]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。