[发明专利]一种低秩分块稀疏表示的人脸识别方法

说明书

技术领域

本发明公开了一种低秩分块稀疏表示的人脸识别方法，涉及图像处理和模式识别领域。

背景技术

人脸识别是计算机视觉领域里一项热门的研究课题，它广泛采用特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。对于一种稳健的人脸识别算法，需要有效地处理人脸识别中人脸遮挡、伪装、光照变化、图像漂移等多方面的挑战。

稀疏编码是一种新兴的人脸识别算法。它在稀疏条件约束下，将需要识别的人脸图像视为所有训练图像的一个线性组合。稀疏表示编码利用L1范数和L0范数达到了令人满意的识别精度，类似的算法还有线性回归分类。这些方法在某些控制条件下能够表现的很好，然而当测试图像或训练图像中有连续性遮挡、伪装的时候表现的却很差。因此，模块化方法才得以同时应用到稀疏表示编码和线性回归分类。然而，模块化稀疏表示编码和模块化线性回归分类有一个共同的缺点：它们的每一个模块都是独立处理的，失去了模块与模块之间的关联信息。

在人脸识别领域，光照变化仍然是一个极具挑战性的问题。现有的解决光照变化问题的方法有许多。例如，直方图均衡化、图像灰度校正、对数变换等等，它们在光照归一化中得到广泛的应用。然而，这些全局处理技术难以处理人脸图像中非均匀光照变化的问题。还有一些方法试图提取面部特征不变量来应对光照变化，典型的方法有边缘映射、灰度级图像扩展、Gabor滤波等等，但实验研究表明，当改变人脸照明方向时，这些方法的效果就会很差。光照变化主要是由于三维人脸模型在不同的照明方向下出现不同的明暗现象。最近，一些研究人员试图构建一个3D人脸模型来解决图像中的光照补偿问题。但这种基于人脸模型的处理方法有一个缺点：大量不同光照条件下的图片的三维信息需要在训练阶段获取，这大大降低了识别速度。

发明内容

本发明所要解决的技术问题是：现有技术中人脸识别方法无法同时有效地应对人脸图像中遮挡、伪装和光照变化，针对这样的缺陷，提供一种低秩分块稀疏表示的人脸识别方法，在人脸图像出现遮挡、伪装、光照变化等复杂情况下以提高人脸识别的精度和稳健性。

本发明为解决上述技术问题采用以下技术方案：

一种低秩分块稀疏表示的人脸识别方法，具体步骤如下：

步骤一、对于人脸图像数据库中的每一个主体，随机选择其一部分作为训练图像，另一部分作为测试图像，将所有主体的训练图像和测试图像分别整合构成初始的训练数据矩阵和测试矩阵；

步骤二、将训练数据矩阵D分解成A+E，其中A代表低秩分解矩阵，E代表分解后的稀疏误差，通过最小化低秩分解矩阵A的秩，同时减小零范数||E||₀的值来达到训练数据矩阵D的最佳低秩逼近，低秩分解矩阵分解的公式：

minA,E||A||*+λ||E||1s.t.D=A+E---(1)]]>

公式（1）中，核范数||A||_*是低秩分解矩阵A秩的近似值，一范数||E||₁是零范数||E||₀的替代值，λ为参数；

步骤三、引入参考项，根据低秩分解矩阵分解的公式（1），建立目标函数：