[发明专利]一种面向人脸识别的改进鲁棒稀疏编码算法

说明书

技术领域：

本发明属于人脸识别技术领域，具体涉及一种面向人脸识别的改进鲁棒稀疏编码算法。

背景技术：

在过去的几十年里，人脸识别在计算机视觉和模式识别领域获得了越来越广泛的关注。作为计量生物学领域最为成功的应用技术之一，人脸识别技术可以被用于社会机器人技术领域，以一个自然、无接触的方式实现人物身份验证。在实用中，人脸图像被很多因素影响，比如照明条件，人物姿态，面部表情等。其中，具有真实遮挡的人脸识别是一个非常重要和困难的亟待解决的问题。因此，鲁棒的基于视觉的人脸识别吸引了来自计算机视觉、机器人技术、人工智能等领域的学者的研究。

总的来说，人脸图像被拉伸成一个高维度的人脸向量，然后可以在人脸空间内使用特征提取和维度缩减算法，这样高维人脸向量就被转化至一个低维的子空间。在这个人脸子空间中就可以实施分类和识别工作了。两个经典的线性人脸识别方法是主成分分析(PCA)和线性判别分析(LDA)。PCA被广泛用于减少原始人脸图像的维度，被提取的特征脸方法的特征被用来当做其他方法的输入量。LDA是一个有监督的子空间学习方法，它寻找可以最大化类间散布的最优规划，同时使类内散布最小化。

典型的非线性方法有基于线性方法的核方法，它应用核函数来增强分类能力。此外还有多种多样的非线性方法，例如局部线性嵌入(LLE)和局部保留投影(LPP)，它假设人脸图像数据分布与嵌入高维空间的流形相近。

在2007年，图形嵌入(GE)被提出，它被用来联合一系列用于人脸识别的缩减维度的算法，充当它们的总体框架。每一个算法可以被视为某种图形嵌入，特定的图像被设计用来描述一个数据集的某种统计学或几何学特征。根据GE，边界Fisher分析(MFA)和邻域判别嵌入(NDE)被大致提出。这些算法可以更好地在人脸图像潜在的多种多样的结构中揭露代表性和判别式特征。

最近，稀疏表示被从压缩感知理论引进到模式识别领域；基于稀疏表示的分类(SRC)对于鲁棒人脸识别是一个里程碑式的算法，它可以在遮挡、出错和真实掩盖的情况下工作。SRC的基本想法是利用在拥有所有训练样本的完备字典中选出很小的一部分来代表待识别的人脸图像。编码稀疏度约束被用来确保在同一类中只有一小部分样本有明显的非零值，而其他样本的值都等于或接近于零。编码相关系数的稀疏度可以直接地由l0标准来衡量，它计数出一个向量中非零向量的个数。然而，l0标准最小化是一个NP-hard问题，因此取而代之的l1准则最小化，它被广泛应用于上述问题。已被证实的是在解足够稀疏的情况下，l0准则和l1准则最小化是等价的。

SRC的代表性保真度被代码残余的l2准则衡量，它假定代码残差服从高斯分布。它可能不能够有效地形容人脸识别中真实情况下的代码残差，尤其是在人脸有伪装和遮挡时，比如戴太阳镜或围巾的人脸。鲁棒稀疏编码(RSC)寻求稀疏编码问题的极大似然解，所以代码残余的分布比高斯分布和拉普拉斯分布更加精确，且相对SRC来说对于遮挡的鲁棒性更好。但是，在RSC中，迭代权重规则鲁棒编码(IR³C)算法被提出用来寻求编码问题的MLE解，经常迭代次数超过10，IR³C才能获得收敛解。

发明内容：

本发明的目的是为了改进算法应用的效率，增强RSC对于真正遮掩的鲁棒性，提供了一种面向人脸识别的改进鲁棒稀疏编码算法。在每一次迭代过程中，含有所有训练样本的集合，“字典”，会随着消除具有更大编码残余的对象而逐步减少。被精简的字典被用来获得稀疏编码问题MLE解的收敛结果。由于消除了具有更大编码残余对象的干扰，iRSC更加收敛和高效。基于AR人脸数据库的实验表明iRSC在面对具有遮掩伪装的问题时表现得比RSC和SRC更优秀。

为达到上述目的，本发明是通过以下技术方案来实现：

一种面向人脸识别的改进鲁棒稀疏编码算法，包括以下步骤：

步骤1：输入具有l2标准的标准化待测图像y及字典D；其中，字典D由所有未经遮挡的训练样本构成，每个字典D中的列包含单位l2标准，定义y＝Dα，α为编码向量，初始化迭代，第1步迭代的字典D⁽¹⁾＝D，第1步迭代的编码向量系数