[发明专利]基于协同表示和池化及融合的人脸识别分类方法

权利要求书

1.一种基于协同表示和池化及融合的人脸识别分类方法，其特征在于由以下步骤组成：

(1)人脸图像数据库A＝[a₁₁,a₁₂,...a_1n；...a_m1,a_m2...a_mn；]，a_mn为第m类的第n张人脸图像，m和n均为正整数，从人脸图像数据库A的每类人脸图像中随机选取k张人脸图像，k为正整数且k＜n，共选取m×k张人脸图像作为训练人脸图像集B＝[b₁₁,b₁₂,...b_1k；...b_m1,b_m2,...b_mk；]，b_mk为第m类第k张训练人脸图像，剩余m×(n-k)张人脸图像作为测试人脸图像集C＝[c₁₁,c₁₂,...c_1(n-k)；...c_m1,c_m2,...c_m(n-k)；]，c_m(n-k)为第m类第n-k张测试人脸图像；

(2)对训练人脸图像集B和测试人脸图像集C分别进行最大池化、平均池化和最小池化处理，得到最大池化训练人脸图像集B′＝[b′₁₁,b′₁₂,...b_1k；...b′_m1,b′_m2,...b′_mk；]、平均池化训练人脸图像集B″＝[b″₁₁,b″₁₂,...b″_1k；...b″_m1,b″_m2,...b″_mk；]、最小池化训练人脸图像集B″′＝[b″′₁₁,b″′₁₂,...b″′_1k；...b″′_m1,b″′_m2,...b″′_mk；]、最大池化测试人脸图像集C′＝[c′₁₁,c′₁₂,...c′_1(n-k)；...c′_m1,c′_m2,...c′_m(n-k)；]、平均池化测试人脸图像集C″＝[c″₁₁,c″₁₂,...c″_1(n-k)；...c″_m1,c″_m2,...c″_m(n-k)；]、最小池化测试人脸图像集C″′＝[c″′₁₁,c″′₁₂,...c″′_1(n-k)；...c″′_m1,c″′_m2,...c″′_m(n-k)；]，b′_mk为第m类第k张最大池化训练人脸图像，b″_mk为第m类第k张平均池化训练人脸图像，b″′_mk为第m类第k张最小池化训练人脸图像,c′_m(n-k)为第m类第n-k张最大池化测试人脸图像，c″_m(n-k)为第m类第n-k张平均池化测试人脸图像，c″′_m(n-k)为第m类第n-k张最小池化测试人脸图像；

(3)对最大池化训练人脸图像集B′、最大池化测试人脸图像集C′、平均池化训练人脸图像集B″、平均池化测试人脸图像集C″、最小池化训练人脸图像集B″′、最小池化测试人脸图像集C″′进行归一化处理；

(4)确定最大池化训练人脸图像集B′协同表示每一张最大池化测试人脸图像c′_hg的最大池化误差向量

(4.1)从步骤(3)归一化处理后的最大池化测试人脸图像集C′中取出最大池化测试人脸图像c′_hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用最大池化训练人脸图像集B′表示最大池化测试人脸图像c′_hg，其表示系数为ρ，

ρ＝(B′^TB′+λ*I_s)^-1B′^Tc′_hg

式中B′^T为最大池化训练人脸图像集B′的转置，λ为正则化参数，λ∈(10^-6，10^-1)，I为s阶单位矩阵，s＝k×m；

(4.2)用第i类最大池化训练人脸图像集U表示最大池化测试人脸图像c′_hg的最大池化误差为r_i，

r_i＝||c′_hg-Uρ||₂/||ρ||₂

式中U＝[b′_i1,b′_i2,...b′_ik]，b′_ik为第i类第k张最大池化训练人脸图像，i＝1,2,...m，i为正整数；

(5)用平均池化训练图像集B″协同表示每一张平均池化测试图像c″_hg的平均池化误差向量

(5.1)经步骤(3)归一化处理后的平均池化测试人脸图像集C″中取出平均池化测试人脸图c″_hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用平均池化训练人脸图像集B″表示平均池化测试人脸图像c″_hg，其表示系数为ρ′，

ρ′＝(B″^TB″+λ*I_s)^-1B″^Tc″_hg

式中B″^T为平均池化训练人脸图像集B″的转置，λ为正则化参数，λ∈(10^-6，10^-1)，I为s阶单位矩阵，s＝k×m；

(5.2)用第i类平均池化训练人脸图像集L表示平均池化测试人脸图像c″_hg的平均池化误差为r′_i，

r_i′＝||c″_hg-Lρ′||₂/||ρ′||₂

式中L＝[b″_i1,b″_i2,...b″_ik]，b″_ik为第i类第k张平均池化训练人脸图像，i＝1,2,...m，i为正整数；

(6)确定最小池化训练图像集B″′协同表示每一张最小池化测试图像c″′_hg的最小池化误差向量

(6.1)经步骤(3)归一化处理后的最小池化测试人脸图像集C″′中取出最小池化测试人脸图c″′_hg，h∈[1,m]，g∈[1,n-k]，h和g均为正整数，用最小池化训练人脸图像集B″′表示最小池化测试人脸图像c″′_hg，其表示系数为ρ″，

ρ″＝(B″′^TB″′+λ*I_s)^-1B″′^Tc″′_hg

式中B″′^T为最小池化训练人脸图像集B″′的转置，λ为正则化参数，λ∈(10^-6，10^-1)，I为s阶单位矩阵，s＝k×m；

(6.2)用第i类最小池化训练人脸图像集Q表示最小池化测试人脸图像c″′_hg的平均池化误差为r″_i，

r_i″＝||c″′_hg-Qρ″||₂/||ρ″||₂

式中Q＝[b″′_i1,b″′_i2,...b″′_ik]，b″′_ik为第i类第k张最小池化训练人脸图像，i＝1,2,...m，i为正整数；

(7)对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，得到融合后的误差向量，求出误差向量中最小值所对应人脸图像数据库A中的类别，将步骤(4)取出的最大池化测试人脸图像c′_hg和步骤(5)取出的平均池化测试人脸图像c″_hg及步骤(6)取出的最小池化测试人脸图像c″′_hg所对应的测试人脸图像集中的人脸图像分配到该类；

所述加权融合的公式如下：

d＝w[r₁,r₂,...r_i,...r_m]+w′[r₁′,r₂′,...r′_i,...r′_m]+w″[r₁″,r₂″,...r″_i,...r″_m]

式中d为融合后的误差向量，w为最大池化误差向量对应的权值，w′为平均池化误差向量对应的权值，w″为最小池化误差向量对应的权值。

2.根据权利要求1所述的基于协同表示和池化及融合的人脸识别分类方法，其特征在于所述的步骤(2)中最大池化、平均池化和最小池化处理方法为：设置池化窗口的尺寸为2×2像素，将训练人脸图像集B和测试人脸图像集C中的人脸图像划分为均等不重叠的2×2子块，分别取每个图像子块像素值的最大值、平均值和最小值作为该块的特征值，并用每个子块的特征值代表该子块。