[发明专利]一种基于加权的Huber约束稀疏编码的人脸识别方法

说明书

本发明提供了一种基于加权的Huber约束稀疏编码的人脸识别方法，包括：采用回归分类器作为人脸识别的基础，引入L1正则约束，对查询样本在训练样本集X的编码系数进行稀疏化，得到稀疏编码模型；在稀疏编码模型的基础上，采用Huber损失函数替代L1保真项或L2保真项，得到稀疏鲁棒性编码模型；根据训练样本集和查询样本的残差获取训练样本集中各像素点的权重；在稀疏鲁棒性编码模型的基础上，利用权重以及Huber损失函数的阈值得到基于加权的Huber约束稀疏编码模型；根据其编码系数获取查询样本在训练样本集X中的残差向量；根据残差向量分析闭塞环境下查询样本的识别率。本发明有效的降低了类内变化，并避免类间干扰，扩大了权重向量的效果，提高识别率。

技术领域

本发明涉及人脸识别技术领域，尤其是一种基于加权的Huber约束稀疏编码的人脸识别方法。

背景技术

近年来，人脸识别依然是一个热门的研究话题。一方面在于它巨大的应用潜力，另一方面它揭示了机器学习如何在完整图像上进行特征选择和分类。脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。一方面这种困难来自于人类生物特征的特点：首先，人脸的相似性。不同个体之间人脸的结构和外形都很相似。这种相似性不利于利用人脸来区分人类个体；其次，人脸的易变性。人脸的外形很不稳定，人类有复杂的面部表情变化，而且在不同角度观察，人脸的视觉图像也相差很大；最后，人脸的差异性，不同的基因组成使得每个人的外形总会有差异。另一方面，额外的噪声变化，例如表情变化、光照条件、真实伪装、连续遮挡、像素腐蚀等，都会减少人脸图像有价值的信息，干扰对人脸的识别。

最近，基于回归分析的分类器引起了广泛研究，虽然这些分类器虽然取得了很大的进展，但由于闭塞的复杂变化，仍然没有很好的克服人脸识别的两类变化。第一类变化称为类间变化，类间变化是应该放大而作为区分个体的标准的；第二类变化称为类内变化，类内变化应该消除，因为它们可以代表同一个个体。对于人脸，类内变化的干扰往往大于类间变化，从而在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。这些问题是人脸识别技术被更广泛应用的最大障碍之一，亟待解决。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种基于加权的Huber约束稀疏编码的人脸识别方法，包括：

采用回归分类器作为人脸识别的基础，引入L1正则约束，对查询样本y在训练样本集X的编码系数进行稀疏化，得到稀疏编码模型；

在所述稀疏编码模型的基础上，采用Huber损失函数替代L1保真项或L2保真项，得到稀疏鲁棒性编码模型；

根据训练样本集和查询样本y的残差获取训练样本集中各像素点的权重；在所述稀疏鲁棒性编码模型的基础上，利用所述权重以及Huber损失函数的阈值得到目标编码模型；所述目标编码模型为基于加权的Huber约束稀疏编码模型；所述训练样本集包括样本子集或样本全集；

根据所述目标编码模型中的编码系数获取查询样本y在训练样本集X中的残差向量；根据所述残差向量分析闭塞环境下查询样本的识别率。

进一步地，所述根据所述目标编码模型中的编码系数获取查询样本y在训练样本集X中的残差向量中，所述残差向量为：

e＝[e₁，e₂，……，ei，……，e_c]，c∈正整数，c为样本类别数量，

其中e_i＝y-X_iθ_i；e_i为查询样本的编码系数在第i个类别θ_i上的残差，由各个像素点残差构成。

进一步地，当查询样本y的编码系数θ在各个类别上的残差服从高斯分布时，所述稀疏编码模型为：

其中λ是范数的惩罚系数。