1.人脸伪装检测方法,包括以下步骤:STP1、假设有k类训练图像,将每类训练图像的每一幅人脸图像拉成一个向量:M1=[M11,M12,…,M1l].
第i类不带遮挡训练图像记为:
M1i=[ui1,ui2,…,uin].
第i类中带伪装的一幅图像记为:
Mi=[M1i,M2i],M2i=qi;
STP2、低秩分解构造变异字典:
Mi=Li+Ai,
其中Li表示低秩矩阵,Ai表示稀疏误差矩阵,Ai=[Ai1,ai],B=[Ai1,…,Aik],其中B表示不带伪装的稀疏误差矩阵,ai即为第i带伪装的变异字典,STP3、构造优化模型:
其中||·||0表示非零元素的个数;
STP4、将步骤STP3中优化模型松弛为如下凸优化问题:其中,||M||*=∑iσi(M),||M||1=∑ij|Mij|, 参数λ的取值一般为其中m表示图像维数,n表示样本数;
STP5、对于每类带遮挡的稀疏误差成分ai,反复进行STP1、-STP4,直到所有类别结束,得到变异字典库:A=[a1,…,as,as+1,…,al]其中l表示变异的字典类别个数;
STP6、对用户提交的人脸检测图像Q进行低秩分解,得到对应的检测图像的低秩部分E和稀疏部分y,对检索图像的稀疏部分y计算伪装检测指标DDIQ值,其中D=[A,B],A变异字典库,A=[a1,…,as,as+1,…,al],B表示不带伪装的稀疏误差矩阵,B=[Ai1,…,Aik]其中,n是向量x的维度,|| ||1是向量的一范数,|| ||2是二范数,sparseness(x)∈[0,
1],当x仅有一个非零元素时,sparseness(x)=1,当所有元素都不为零且相等时,sparseness(x)=0,值越大表示向量的稀疏度越高;
STP7、比较DDIQ与预设值τ,如果DDIQ≥τ,图像判定为没有伪装,如果DDIQ<τ,图像判定为有伪装,其中τ为阈值。
2.基于权利要求1所述的人脸伪装监测方法的人脸伪装识别方法,其特征在于,对于人脸检测图像对应的稀疏部分y用构造好的变异字典库A进行稀疏表示:y'=Aα0+z
y′=α1a1+…+αsas+αs+1as+1+…+αlal+z其中α0=[α1,α2…,αl]中只有与y同类的相关的系数不为0,z是噪声。
用重建误差作为稀疏表示分类准则 检测是哪一种伪装y'=arg mini{ri},其中δi:Rn→Rn是特征函数(与第i类相关的系数),x0是稀疏系数向量。
3.根据权利要求2所述人脸伪装识别方法,对于有伪装的人脸图像Q去除伪装,用已有的图像库中的不带伪装的图像M1去除伪装后的图像y2,y2=M1β0+z,
用重建误差作为分类准则 识别y'2=arg minm{r′m};
其中δ'm:Rn→Rn是特征函数(与第m类相关的系数),β0是稀疏系数向量。