[发明专利]基于LRC和协同表示的两阶段人脸识别方法

说明书

算法领域

本发明涉及人脸识别算法领域，具体涉及一种基于LRC(linear-regression based classification，LRC)和协同表示的两阶段人脸识别方法。

背景算法

生物识别算法是模式识别的一个最重要分支，而人脸识别因为交互性、便利、界面友好等特点，使其成为最具吸引力的生物识别算法之一。然而，人脸识别因为光照、表情、姿势等实时环境的影响，仍然是一个很具挑战性的任务。针对这些问题，稀疏编码或者稀疏表示(Sparse Representation，SR)被广泛应用于人脸识别中。

稀疏表示的人脸识别方法，主要包括基于l₁范数的方法和基于l₂范数的方法。基于l₂范数的方法比l₁范数的方法更具优势。首先，基于l₂范数的方法不需要经过迭代，因此方法复杂度较低；其次，有效地运用l₂范数解决人脸识别问题，还能提高方法的鲁棒性。Wright J等首先提出基于l₁范数稀疏表示分类(Sparse Coding based Classification,SRC)方法进行人脸识别，该方法与传统人脸识别方法相比，识别率得到了提高，然而该方法需要用所有的训练样本来做编码字典从而完成人脸识别，当训练样本很多时，编码字典规模亦很大，导致算法的复杂较高。

史提出一种典型的基于l₂范数的人脸识别稀疏表示方法，并且设计了一个简单l₂范数SR方案进行人脸识别，发现该方案不仅识别率显著高于l₁范数SR的方案，而且鲁棒性更高，稳健更好、速度更快。Zhang等发现协同表示思想比基于l₁范数的稀疏约束思想在人脸识别中有着更重要的作用，因此提出了协同表示分类器(collaborative representation based classification，CRC)人脸识别方法，该方法虽然稀疏性比l₁范数低，但其计算效率更很高，鲁棒性更好。与此同时，Xu等人提出了一个两阶段测试样本稀疏表示人脸识别方法。He等提出了一种适用于大规模数据库的两阶段稀疏表示识别方法。

尽管这些人脸识别方法的识别性能得到了较大改善，但依然存在如下不足之处：(1)因为采集到的图像维数高，导致存储时需要处理的人脸数据库数据巨大，而这些识别方法一般采用全局搜索方式，即类似穷尽搜索方法对人脸进行分类，从而使得方法识别效率很低。(2)多数人脸识别方法首先要对人脸数据库进行训练从而形成人脸数据模型。但是在实时环境中，人脸库是时刻更新的，会不断有新的人脸添加到人脸数据库中，当数据库中加入新的人脸时，传统算法均需通过训练来更新人脸数据模型，这使得工作量巨大，从而导致算法时间复杂度较高。

发明内容

针对现有人脸识别方法人脸数据库巨大时，存在的识别率及效率低等问题，本发明提出了一种基于LRC和协同表示的两阶段人脸识别方法，即加速线性协同表示方法(Accelerated Linear collaborative representation based classification)，简称为ALCRC。

为解决上述问题，本发明是通过以下算法方案实现的：

基于LRC和协同表示的两阶段人脸识别方法，包括如下步骤：

步骤1，假设人脸数据库包含L类，每类包括n_i(i＝1,2,…L)幅图像，每幅人脸图像大小为c×b；设测试样本(即待识别的人脸图像)为y，L类训练样本构成的矩阵为A＝[A₁,A₂,…A_L]，其中A_i(i＝1,2…L)表示第i类训练样本构成的矩阵；

步骤2，若测试样本y属于第i类，将y用训练样本的子类线性表示，即

y＝A_ix_i,i＝1,2,…L   ①

式中，y表示测试样本；A_i表示第i类训练样本构成的矩阵，且A_i∈A，A表示L类训练样本构成的矩阵；x_i表示第i类训练样本的系数向量；

步骤3，用最小二乘估计法估出第i类训练样本的系数向量