[发明专利]一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统

说明书

本发明公开了一种基于稀疏系数相似的加权稀疏表示人脸识别方法，包括以下步骤：对人脸训练样本图像和测试样本进行预处理，构造训练样本矩阵，将每个训练样本与测试样本列向量的欧氏距离负指数函数映射值定义为权值，构造权重矩阵，求所有训练样本和测试样本的稀疏系数，根据训练样本与测试样本稀疏系数间的相似性，通过余弦相似性选取K个与测试样本邻近的样本组成邻近样本矩阵，采用L1范数最小二乘法求解测试样本的稀疏系数，然后重构测试样本残差来实现分类。本发明方法及系统利用训练样本数据的局部性和稀疏性，使得识别算法更加稳定，避免过多选择其它类别样本，提高测试样本分类的准确率。根据本发明，进行人脸识别，具有较好的市场前景。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统。

背景技术

人脸识别技术作为生物识别领域中一种基于生理特征的识别技术，是以通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。人脸与指纹、虹膜、声音等一样与生俱来，它们所具有的唯一性和不容易被复制的良好特性为身份鉴别提供了必要的前提；同其他的生物识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好、避免直接接触的优越性。因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。

人脸识别的研究发展，从早在1888年和1910年就分别在Nature杂志发表了两篇关于利用人脸进行身份识别的文章到如今已经取得了很多大研究成果，可以分为以下五大类：基于几何特征的人脸识别算法，基于特征子空间(特征脸)的人脸识别算法，基于模板匹配的人脸识别算法，基于隐马尔可夫模型的人脸识别，基于神经网络的人脸识别算法。随着压缩感知理论和L1范数最有求解的发展，近年来稀疏表示受到国内外学者广泛的关注。2009年，John Wright等人成功的将稀疏表示应用到了人脸识别领域，取得了较好的识别效果，很好的解决了人脸图像受噪声干扰和遮挡情况下识别率低的难题。

SRC算法采用训练样本的线性组合来表示测试样本，通过L₁范数求得稀疏系数，最后通过重构最小误差来判断测试样本所属类别。基于稀疏表示的识别算法有较强鲁棒性及有效性，给噪声、光照、遮挡条件下的人脸识别提供了新的方案，但其计算量大，从而限制了算法的效率。维数简约法是缓解该问题的一种有效办法，重构所有的训练样本又不能破坏同类样本之间的关联，因为数据的局部性比稀疏性更重要。稀疏表示分类器SRC只考虑了数据的线性关系，而没有使用数据的局部性从而导致结果不稳定。施耀等在基于稀疏表示的人脸识别算法研究中提到，使用加权稀疏表示很好的把数据的局部结构和线性关系结合在一起，算法的鲁棒性更加稳定。减少运算可以通过减少训练样本数据来实现，尹贺峰、宋晓宁等在稀疏相似性度量的模糊鉴别分析方法的研究中，旨在针对样本稀疏系数之间的相似性来选择部分样本，但没有解决局部样本之间的相关性，无法保证方法的稳定。

针对以上问题，本发明在利用训练样本同类别局部之间的特征，以及测试样本和训练样本之间的相似性来选择部分训练样本，改善了算法的鲁棒性，同时提高了算法的效率和准确性。

发明内容

本发明的目的是针对现有技术中存在的不足，提供一种基于稀疏系数相似的加权稀疏表示人脸识别方法，该方法利用训练样本同类别局部之间的特征，以及测试样本和训练样本之间的相似性来解决现有算法稳定性差、运算量大、局部特征关联不够紧密的问题。

为了解决上述技术问题，本发明的技术方案如下：

一种基于稀疏系数相似的加权稀疏表示人脸识别方法，包括样本字典构造、邻近类选择、构造权重矩阵、图像分类识别过程，包括以下步骤：