1.一种基于特征表示集的跨分辨率人脸识别方法,其特征在于:包括以下步骤:步骤一:获取高分辨率训练样本图像、低分辨率测试样本图像和高低分辨率训练字典图像中各个像素位置的图像块;
步骤二:对低分辨率测试样本图像中的每个图像块,运用基于P范数正则的回归表示方法获得其在低分辨率训练字典图像上对应位置的图像块集合的线性表示;同时对高分辨率训练样本图像中的每个图像块,运用基于P范数正则的回归表示方法获得其在高分辨率训练字典图像上对应位置的图像块集合的线性表示;
其中,运用基于P范数正则的回归表示方法获得其在低分辨率训练字典图像上对应位置的图像块集合的线性表示的具体方法如下:步骤(1):对于一个低分辨率测试图像块,将其分为S块,对于一个低分辨率测试图像块y,运用低分辨率训练字典样本图像上对应位置的图像块进行线性表示:y=x1A1+x2A2+...+xNAN+E其中,Ai表示第i个低分辨率训练字典图像对应位置的图像块,i={1,2,...,N},N表示低分辨率训练样本字典样本图像的个数,xi表示系数向量x第i个元素对应的系数,E表示残差项;表示向量系数x的求解方法如下所示:定义从空间 到 的一个线性映射A(x)=x1A1+x2A2+...+xNAN,对于低分辨率测试图像块,运用P范数正则回归方法在低分辨率训练样本字典图像上获得其线性表示,给出目标函数:s.t.y‑A(x)=E
其中, 表示矩阵的Schatten‑P范数, σi是E的第i个奇异值;λ是正则化参数,D=(D1,D2,...,DN)表示低分辨率测试图像块与低分辨率训练样本字典图像块之间的欧几里得距离矩阵;P在(0,1)之间,选择p=1/2,Schatten‑1/2范数更接近与秩函数;模型表示为:s.t.y‑A(x)=E
其拉格朗日函数表示为:
其中μ>0是一个惩罚参数,Z是拉格朗日乘子,tr(·)是迹运算,上述式子可以写成:采用交替方向乘子法ADMM对此模型进行求解,具体过程如下:固定E,更新x:
上式的解为:
k+1 2
x =(G+τD)\ones(N,1)其中,ones(M,1)是元素为1的M×1维向量,“\”表示左矩阵除法运算,τ=2λ/μ,G是协方T差矩阵G=CC:
其中,H=[vec(A1) ,Vec(A2),...,Vec(AN)],Vec(·)表示向量化运算符;
固定x,更新E:
为了解决上述式子,引入一个基于Schatten‑1/2范数的单值函数阈值定理:定理:给定η>0的常数和一个秩为r的矩阵 目标函数变成:其中σ1,σ2,...,σr是G的正奇异值,Ul×r和Vm×r是具有正交列的对应矩阵;
并且
根据上述定理,目标函数变成:
||y‑A(x )‑E||/||y||<ε1k+1 k k+1 k
max(||x ‑x||,||E ‑E||)/||y||<ε2k+1
其中,||·||是一个给定的矩阵范数,若达到最大迭代次数或满足终止条件,输出x作为x,否则,返回到步骤;
步骤(2):得到每一个低分辨率图像块的表示系数向量,将它们整合成一个系数矩阵X,其维数为N×S×M;其中,M为测试集中样本个数,S为低分辨率测试图像块数量,N表示低分辨率训练样本字典样本图像的个数;
其中,运用基于P范数正则的回归表示方法获得其在高分辨率训练字典图像上对应位置的图像块集合的线性表示的具体方法如下:步骤(1):对于一个高分辨率训练图像块,将其分为S块,对于一个高分辨率训练图像块y1,运用高分辨率训练字典样本图像上对应位置的图像块进行线性表示:y1=c1G1+c2G2+...+cNGN+E2其中,Gi表示第i个低分辨率训练字典图像对应位置的图像块,i={1,2,...,N},N表示高分辨率训练样本字典样本图像的个数,ci表示系数向量c第i个元素对应的系数,E2表示残差项;表示向量系数c的求解方法如下所示:定义从空间 到 的一个线性映射G(c)=c1G1+c2G2+...+cNGN;
对于低分辨率测试图像块,运用P范数正则回归方法在低分辨率训练样本字典图像上获得其线性表示,给出目标函数:s.t.y1‑G(c)=E2
其中, 表示矩阵的Schatten‑P范数, σi是E的第i个奇异值;λ是正则化参数,D=(D1,D2,...,DN)表示低分辨率测试图像块与低分辨率训练样本字典图像块之间的欧几里得距离矩阵;P在(0,1)之间,选择p=1/2,Schatten‑1/2范数更接近与秩函数;模型表示为:s.t.y1‑G(c)=E2
其拉格朗日函数表示为:
其中μ>0是一个惩罚参数,Z是拉格朗日乘子,tr(·)是迹运算,上述式子可以写成:采用交替方向乘子法ADMM对模型进行求解,具体过程如下:固定E2,更新c:
上式的解为:
k+1 2
c =(O+τD)\ones(N,1)其中,ones(M,1)是元素为1的M×1维向量,“\”表示左矩阵除法运算,τ=2λ/μ,O是协方T差矩阵O=CC:
其中,H=[vec(G1) ,Vec(G2),...,Vec(GN)],Vec(·)表示向量化运算符;
固定c,更新E2:
为了解决上述式子,引入一个基于Schatten‑1/2范数的单值函数阈值定理:定理:给定η>0的常数和一个秩为r的矩阵 目标函数变成:其中σ1,σ2,...,σr是G1的正奇异值,Ul×r和 Vm×r是具 有正交 列的 对应矩阵 ;
并且
根据上述定理,目标函数变成:
||y1‑G(c )‑E2||/||y1||<ε1k+1 k k+1 k
max(||c ‑c||,||E2 ‑E2||)/||y1||<ε2k+1
其中,||·||是一个给定的矩阵范数,若达到最大迭代次数或满足终止条件,输出c作为c,否则,返回到步骤;
步骤(2):得到每一个高分辨率训练图像块的表示系数向量,将它们整合得到表示系数矩阵C=(C1,C2,...,CK),其维数为N×S×L;其中,L表示总的高分辨率人脸样本图像个数,Ci表示第i个高分辨率训练样本人脸图像集在高分辨率训练字典上的表示系数矩阵,S为高分辨率训练图像块数量,N表示高分辨率训练样本字典样本图像的个数;
步骤三:对步骤二得的低分辨率测试样本图像特征表示集合和高分辨率训练样本图像特征表示集合进行相似性度量;
步骤四:根据步骤三得到的数据,对低分辨率测试样本图像完成分类,输出低分辨率测试样本图像的类别。
2.根据权利要求1所述的一种基于特征表示集的跨分辨率人脸识别方法,其特征在于:在步骤三中,对低分辨率测试样本图像特征表示集合和高分辨率训练样本图像特征表示集合进行相似性度量的具体方法如下:步骤(31):建立如下相似性度量模型:s.t.∑αi=1
其中,α和β表示系数向量,X(α)=α1X1+α2X2+...+αMXM,C(β)=β1C1+β2C2+...+βLCL,∑αi=
1避免显式解(α=0),上述式子可以写成:s.t.E1=X(α)‑C(β)上述式子的拉格朗日形式为:
步骤(32):固定α,β,更新E1:通过奇异值阈值算子可以获得上式的最优解,给定一个秩为r的矩阵 它的奇异值分解为:
其中σ1,...σr表示奇异值,U和V是正交矩阵;对于给定的一个τ>0,奇异值运算符Tτ(·)定义为:问题的解为:
步骤(33):固定E1,更新α,β:拉格朗日等式变成:
其中e是元素全为为1的行向量,Vec(X)=[Vec(X1)Vec(X2)...Vec(XM)],Vec(‑C)=[Vec(‑C1)Vec(‑C2)...Vec(‑CM)];设T
J=[Vec(X)Vec(‑C)], d=[e 0] ,则上式变成:
根据式子可以算得:
T ‑1
其中h0=(JJ+K) ;
步骤(34):选择终止参数ε3,满足以下的终止条件:k k k
||X(α)‑C(β)‑E1||/||X(α)||<ε3k+1
其中,||·||是一个给定的矩阵范数,若达到最大迭代次数或满足终止条件,输出αk+1作为α,β 作为β,否则,返回到步骤(32)。
3.根据权利要求2所述的一种基于特征表示集的跨分辨率人脸识别方法,其特征在于:在步骤四中,使用每组Ci表示Xα的残差来决定X的类标签,提出的分类器是:identity(X)=argmini(ri)测试样本X和一个训练样本Ci之间的距离表示为 其中,和 表示最优的系数向量,||·||*表示核范数,identity(X)表示测试样本X的类标签。