[发明专利]一种基于共同向量词典的稀疏表示分类方法

说明书

本发明提出了一种基于共同向量的稀疏表示分类方法。本发明先通过每一类训练样本的差分子空间作Gram‑Schmidt正交变换得到每一类的共同向量；随后将所有共同向量构成的字典作为稀疏表示分类器的字典，通过最小化l₁范数，求出测试样本在字典上的稀疏系数；以及使用每一个类别对应的稀疏系数与该类的训练样本获得估计的测试样本，将所述估计的测试样本与所述采集的测试样本对比，将相似度最高的类别作为分类结果。本发明的核心思想是使用训练样本中每类的共同向量组成字典取代原稀疏表示分类器的使用全部训练样本组成的字典，显著地提高小样本情况下的人脸识别方法的正确率。

技术领域

本发明涉及人脸识别领域，尤其涉及一种基于共同向量词典的稀疏表示分类方法。

背景技术

人脸识别是模式识别、机器学习和计算机视觉领域最具挑战性的研究方向之一。人脸识别研究涉及范围很广，包括模式识别、图像处理、人工智能等。身份识别方法通常有指纹、掌纹、红外温谱、声纹、人脸。相比之下，人脸识别有着更便捷的采集方式、操作也更加快捷。在人的各种形式的生物特征中，人脸是一个人区别于他人的最自然、最主要的特征。人脸特征具有唯一性，一个人与他人的脸部是不同的，即使是双胞胎的脸部也有区别，这说明用人脸进行身份确认(生物识别)是合理可行的。另一方面，人脸图像相对于其他生物特征来说更容易获取，人没有抵制心理，法律上也没有障碍。人脸识别技术在国家公共安全方面、信息安全方面和家庭娱乐方面等的应用己经越来越广泛；在计算机视觉、客户身份鉴别、多媒体数据检索等领域也有着十分广泛的应用前景。

近来，稀疏表示成为研究热点，压缩感知理论被提出后，稀疏表示在机器视觉、机器学习和模式识别等领域引起了广泛的关注。2009年，Wright等人将稀疏表示引入人脸识别领域，其假定当测试样本所在类的训练样本数足够多时，测试样本可由这些训练样本进行线性表示，而其它类的样本对重构该测试样本的贡献为零，从而将人脸识别分类问题转化为稀疏表示问题，并据此提出一种名为基于稀疏表示的分类器(sparse representationbased classifier，SRC)。

共同向量是为解决独立单词识别问题而提出的。通过每一类的差分子空间作Gram-Schmidt(格拉姆-施密特)正交变换而得到与样本空间维数相同的共同向量，它表示每一类的共同性质。

发明所要解决的技术问题

一股来说，基于稀疏表示的分类器对于每个待识别的个体需要通过大量的训练样本构成过完备的字典才能构建稀疏的条件，对于小样本情况的识别效果不尽理想。然而，小样本问题是人脸识别中的一个普遍现象。

本发明鉴于上述问题而完成，其目的在于提出一种在小样本问题下的基于共同向量的稀疏表示分类方法。本发明先通过每一类的差分子空间作Gram-Schmidt正交变换得到每一类的共同向量，随后将所有共同向量构成SRC字典，最后采用稀疏表示分类器将样本分类标记成相应的类。本发明的核心思想是使用训练样本中每类的共同向量组成字典取代原稀疏表示分类器的使用全部训练样本组成的字典，显著地提高小样本情况下的人脸识别方法的正确率。

发明内容

本发明提出了一种基于共同向量词典的稀疏表示分类方法，用于人脸识别，包括以下步骤：

步骤一：分别对训练样本集的人脸图像和采集的测试样本的人脸图像进行预处理；所述人脸图像为从人脸数据库中获得的多个类别的人脸图像；

步骤二：对预处理后的训练样本中的每一类的差分子空间作Gram-Schmidt正交变换得到每一类的共同向量；

步骤三：将步骤二得到的各类的共同向量组成字典矩阵；

步骤四：使用步骤三得到的字典作为稀疏表示分类器的字典，通过最小化l₁范数，求出预处理后的测试样本在字典上的稀疏系数；以及