[发明专利]基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法

权利要求书

1.一种基于多尺度韦伯局部特征（WLD, Weber Local Descriptor）和核组稀疏表示（KGSR, Kernel Group Sparse Representation）的人脸识别方法，包括如下主要步骤：

（1）预处理：将人脸图像I进行尺寸归一化，并通过高斯滤波器进行平滑处理，得到矩阵I′；

（2）提取预处理后的矩阵I′的多尺度韦伯局部特征H；

（3）利用基于直方图交叉核（HIK, Histogram Intersection Kernel）的核组稀疏表示（KGSR）分类算法识别待测人脸图像。

2.根据权利要求1所述的基于多尺度韦伯局部特征（WLD）和核组稀疏表示（KGSR）的人脸识别方法，所述步骤2的提取多尺度韦伯局部特征步骤如下：

（a）通过不同半径的窗口求取I′的不同尺度差分激励矩阵E_m(m=1,2,3)，通过Sobel算子求取方向信息矩阵O。

（b）将差分激励矩阵E_m(m=1,2,3)均匀分成N个大小相同且互不重叠的矩形子块S_mn (m=1,2,3;n=1,2,…,N)，同样，将方向信息矩阵O均匀分成N个大小相同且互不重叠的矩形子块S_n (n=(1,2,…,N)，N的取值由矩形子块的大小决定，矩形子块的长a和宽b的取值范围一般均为8-16。通过差分激励矩阵子块S_mn与其对应的方向信息矩阵子块S_n求取韦伯局部特征h_mn。将不同尺度的所有子块的韦伯局部特征组合成一个多尺度的特征向量。

3.根据权利要求1所述的基于多尺度韦伯局部特征（WLD）和核组稀疏表示（GSR）的人脸识别方法，所述步骤3的基于直方图交叉核的核组稀疏表示（KGSR）分类算法步骤如下：

（a）利用直方图交叉核（HIK, Histogram Intersection Kernel）将训练人脸样本的特征向量集映射成核矩阵，同样，将测试图像的特征向量H₀映射成核向量w₀，其中D_c表示训练集中第c,c=1,2,…,C类样本的个数，C表示训练样本中的类别数。

（b）将得到核矩阵W作为过完备字典，利用基于块的正交匹配追踪算法计算核向量w₀的组稀疏系数向量。

（c）根据每一类训练样本的特征H_c及其对应的稀疏系数s_c重构测试图像的特征向量。根据最小重构误差识别测试图像：R=argminc=1,...,C||H‾c-H0||2]]>。