[发明专利]一种基于稀疏表示的人脸识别方法

说明书

技术领域

本发明涉及图像处理及模式识别技术领域，尤其涉及一种基于稀疏表示的人脸识别方法。

背景技术

人脸识别不仅是一种重要的基于生物特征的身份识别技术，同时在学术研究领域上也有着重要意义。人脸识别的研究涉及到图像处理、模式识别、计算机视觉、人工智能、脑认知等科学研究领域。人脸识别的深入研究对推动这些学科的发展起着重大的作用。目前人脸识别系统主要包括两大问题：

1)特征提取

特征提取是指从人脸图像中提取出用于区分不同个体的判别特征，要求提取的特征对于相同的人具有稳定性，对于不同的人具有差异性。传统观念认为：特征提取是人脸识别中最为重要的一个部分，它的好坏直接决定最终的识别性能。而最近研究表明：好的分类器对特征提取的要求会有所降低。

2)分类识别

人脸分类的主要任务是根据提取的待识别人脸的特征，将其和数据库中的人脸图像进行比对，确定其身份。该过程在最近研究中也出现了新的突破。

近年来，基于子空间的人脸特征提取算法得到了广泛关注，逐渐成为人脸识别方法的主要组成部分。按照映射方式的不同，子空间方法分为线性和非线性两大类。线性子空间方法包括主成分分析(PCA)、独立成分分析(ICA)、非负矩阵分解等方法；非线性子空间方法包括基于核映射的非线性子空间方法、流形学习等方法。PCA所得的特征虽然实现了原始样本压缩，但是仅仅在二阶的意义上去相关，去相关不彻底；而且用一维向量表示破坏了二维图像原有的空间结构关系；又因为PCA是在最佳重构原信号的意义下的最佳变换向量，因此所得的特征对分类来说不是最优的。ICA利用信号的二阶和高阶统计信息，使信号在所有阶统计意义上去相关，可以更好地表示特征的方向性，但其难以挖掘数据中的不变特性，无法度量独立分量之间的序关系，其计算较PCA复杂。基于核映射的非线性子空间方法几何意义不明确，核函数中参数的选择没有标准，大多依靠经验选取参数，不适合大训练样本的情况。流形学习是非参数方法，不需要对流形的参数进行假设，体现了非线性的特点，更能体现实际数据的本质。但是流形学习由于依赖局部近邻关系，比较小的误差就可能造成近邻几何结构的改变，离实用还有一段距离。

基于子空间的分类识别方法虽然提出的时间较长，但效果并不理想。1976年，Grenander指出，模式类子空间可用代数投影算子描述，并基于统计假设检验的方法提出了线性回归模型法(SIMCA)；1978年，Kittler提出了正交子空间法，Kohonen则提出了学习子空间的概念，利用模式样本序贯地对已形成的模式子空间进行修正；1982年，Oja提出了平均学习子空间的概念，使与训练样本的学习顺序无关，提高了识别率；1989年，1990年T.D.Sanger，S.Y.Kung提出了基于神经网络的学习对偶子空间法。

显然基于子空间的特征提取和分类识别方法仍在不断发展进步，其在人脸识别中的应用虽然已经很多，但识别效果并不好，在实际中难以达到满意的性能。

发明内容

本发明所解决的技术问题在于：提供一种基于稀疏表示的人脸识别方法，以解决背景技术中的问题。

一种基于稀疏表示的人脸识别方法，包括：

(1)对原图像利用随机投影得到的向量在满足一定条件时可以对原图像进行恢复，即投影向量已经包含了原图像所有的信息；

(2)考虑到人脸面部表情的变化及其他误差，人脸图像的分布可能是非线性的或者多模型的，利用基于稀疏表示的分类器系统更好地反映训练样本的实际分布，用到整个子空间的距离忽略了子空间中的样本分布信息，往往这种分布信息对识别更为重要，因此利用基于稀疏表示的分类器系统更好地反映训练样本的实际分布，因此在多类时分类能力更强，从而实现了一种识别效率以及识别准确率较高的人脸识别技术。

定义1：对任何正整数S＝1，2，...，n，定义矩阵A的受限等距常数为满足下面条件的最小δ_S：

对所有S稀疏向量x成立(3)

如果δ_S∈(0，1)且不是很靠近1，我们就说矩阵A满足S阶RIP。

分析下面的传感矩阵：

①在单位球R^m上随机均匀抽取n个列向量；

②对服从均值为0方差为1/m的正态分布样本进行iid采样；

③对伯努利分布或者其他准高斯分布样本进行iid采样。

文献证明了在很大概率上，所有这些矩阵都遵循RIP只要

m≥C·Slog(n/S)对某个常数C成立        (4)