[发明专利]一种用于人脸识别的多特征空间的子字典联合训练的方法

说明书

技术领域

本发明属于图像识别技术领域，涉及一种多字典联合训练的方法。

背景技术

人脸识别一直是计算机视觉领域的热门学科，Wright等人提出用基于压缩感知理论的稀疏分类器(SRC)对人脸进行识别，取得了不错的效果。但是该算法直接利用训练图片作为字典对检测图片进行L1范数约束的稀疏表示，显然不能充分表征待测人脸图片的特征，且字典的原子数过高增加了编码的复杂度。

于是如何从原始训练样本学习得到最优化字典成为研究的热点方向。目前有很多种用于人脸识别的字典学习算法：

1.Metaface,KSVD等都是对原始训练样本统一学习得到一个所有类别共同使用的字典。

2.为每一类别学习一个字典，让每个字典尽量独立。

以上提到的两类字典学习方法都是在单一特征空间对原始训练图片进行学习，不能充分利用原训练样本的特征，泛化能力不好。

发明内容

本发明的目的是克服现有技术的上述不足，提供一种用于人脸识别的多特征空间的子字典联合训练的方法，采用本发明中训练字典的算法进行人脸识别，可以实现人脸更为准确的识别。本发明将原始训练样本集合分别在Eigenface,Laplacianface和Gabor特征空间表示形成三个原始子字典O^E,O^L,O^G，然后对三个子字典进行基于遗传算法的联合学习，使得子字典训练的子分类器达到尽可能小的训练误差，并通过鼓励每两个子分类器有不同的判定结果，从而尽量避免由于两个分类器都判定错误引起的失败。联合学习优化后的子字典为N^E,N^L,N^G，分别是每个子字典中被挑选出的最具区分能力的样本组成的字典。为了达到上述目的，本发明的技术方案是：

一种用于人脸识别的多特征空间的子字典联合训练的方法，包括：将原始训练样本{X₁…X_N}分别投影到Eigenface，Laplacianface和Gabor特征空间形成子字典O^E,O^L和O^G,然后利用遗传算法对三个子字典进行联合优化训练得到子字典N^E,N^L,N^G。

作为优选实施方式，

（1）将原始训练样本{X₁…X_N}投影到Eigenface特征空间形成子字典O^E，在该特征空间投影后的样本向量表达式为Y_K=W_PCA^TX_K,X_K是一个训练样本向量，W_PCA即为Eigenface特征空间的基组成的矩阵，变换后得到的集合{Y₁…Y_K…Y_N}即为子字典O^E；

（2）将原始训练样本{X1…XN}投影到Laplacianface特征空间形成子字典O^E，在该特征空间投影后的样本向量表达式为Y_K=W^TX_K,W=W_PCAW_LPP，W_PCA表示先对原始字典进行主向量分析，从而去噪，W_LPP为Laplacianface特征空间的基组成的矩阵，变换后的{Y₁…Y_K…Y_N}即为子字典O^L；

（3）将原始训练样本{X₁…X_N}投影到Gabor特征空间，即利用Gabor滤波器对每一个原始列向量进行滤波,从而形成子字典O^G。

利用遗传算法对三个子字典进行联合优化训练得到子字典N^E,N^L,N^G的方法如下：

A.根据原始训练样本得到原始子字典O^E,O^L,O^G；