[发明专利]一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法

说明书

一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法，以有效对光照变化、大面积遮挡、真实伪装等噪声的图像进行分类，并获得较高识别率为目的，分为以下步骤：a)随机选择图像样本进行分类，组成训练字典集，每一类有各自的样本标签，通过构建的模型对字典集进行训练；b)设置迭代次数t的值、初始化加权矩阵R＝T＝I，其中I为单位矩阵；c)迭代计算重构编码系数向量α、加权矩阵R和T的值，重复迭代直至达到收敛条件或最大迭代次数，输出最终的α值；d)通过α值得到重构误差值e，以e值最小对被测样本进行分类，得到识别结果，对被测样本进行分类。

技术领域

本发明是一种人脸识别方法，其涉及模式识别领域，可用于人脸识别、目标识别等。

背景技术

在当今社会中，身份确认具有十分重要的价值。近年来，人类的生物特征越来越广泛地应用于个人的身份鉴认，相比于传统方法，利用人的生物特征做身份鉴别更安全、可靠、特征唯一、稳定性高，不易被盗窃和破解。对于人脸识别而言，它涉及的领域十分广泛，包括生物学、生理学、心理学、认知学、图形图像学、模式识别等领域，而且它与生物特性的识别鉴别方法有密切的联系，对于人脸识别的研究最早是源于19世纪末期发表在Nature杂志上的Calton写的文章，随着计算机的发展和模式识别的发展，人脸识别以它应用范围广的特点再次受到人们的重视，成为计算机视觉和模式识别领域的一个热门子领域。

人脸识别相比于其他的生物特征识别方法具有如下的强大优势：(1)无需用户过多参与，非接触式采集，无侵犯性；(2)对用户没有任何明显刺激，便于隐藏；(3)设备成本低廉，主要是采用摄像头来搜集人脸。因而人脸识别作为一种特殊的生物特征识别技术，拥有许多独特的应用环境，如罪犯搜捕、自动门禁系统、海关过境检查、信用卡确认等。

人脸识别已然成为模式识别和图像处理领域的研究热点，已有多种回归表示模型，如基于稀疏表示的分类器(Sparse representation-based classifier,SRC)、协作表示分类器(Collaborative representation-based classifier,CRC)、线性回归分类器(Linear regression classification，LRC)、强健的稀疏编码算法(Robust sparsecoding，RSC)等。本发明提出的方法属于回归表示的人脸识别，通过训练字典集对人脸图像进行回归表示，选取与被测图像残差值最小的一类，作为被测图像的类别。

经专利查询统计，国内外已有不少人脸识别方面的专利：例如，一种基于局部保持非负矩阵分解的增量学习人脸识别方法(201310301539.6)、基于约束的面向单个测试样本的人脸识别方法(201410359737.2)、一种人脸识别方法(201210590165.X)、基于核的判别随机近邻嵌入分析的人脸识别方法(201310125325.8)等。

发明内容

本发明要解决现有的人脸识别技术对人脸图像中一些光照变化、大面积遮挡、真实伪装等噪声的图像的分类识别率低，计算复杂度高等问题，提供一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法。

本发明解决技术问题采用的技术方案是：

一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法，包括字典集训练过程、初始值设置过程、重构编码系数的更新过程和图像分类过程：

a)字典集训练过程：随机选择图像样本进行分类，组成训练字典集，每一类有各自的样本标签，通过构建的模型对字典集进行训练；