[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

说明书

一种基于协同表示和池化及融合的人脸识别分类方法，具体包括将人脸数据库分为训练人脸图像集和测试人脸图像集；对训练人脸图像集和测试人脸图像集分别进行最大池化、平均池化和最小池化处理；归一化处理；求最大池化训练人脸图像集协同表示该最大池化测试人脸图像的最大池化误差向量；求平均池化训练图像集协同表示每一张平均池化测试图像的平均池化误差向量；求最小池化训练图像集协同表示该最小池化测试图像的最小池化误差向量；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，并对测试人脸图像集中的人脸图像进行分类。

技术领域

本发明属于图像处理技术领域，具体涉及到一种基于协同表示和池化及融合的人脸识别分类方法。

背景技术

人脸分类识别技术是近年来计算机领域广泛关注的难点和热点，它在自助服务、信息安全、住宅安全等领域都有广泛的应用。在众多已有的人脸识别方法中，J.Wright等人提出了基于稀疏表示的人脸识别方法(A.Yang,A.Ganesh,S.Sastry,and Y.Ma,“RobustFace Recognition via Sparse Representation,”IEEE Trans.Pattern Analysis andMachine Intelligence,vol.31,no.2,pp.210-227,2009)，它的主要思想是：利用所有训练图像构造字典，再通过求解一个欠定方程组来求得测试图像的最稀疏线性组合系数，在此基础上计算字典重构和测试图像的误差，最后利用最小误差所对应的类别为识别结果，但是SRC方法要求解l1-范数最小化问题，计算复杂度较高，张磊等人通过研究发现：是训练图像对测试图像的协同表示而不是l1-范数诱导的稀疏性更有助于提升人脸识别的准确性，他们由此提出了基于协同表示的人脸识别方法(L.Zhang,M.Yang,and X.Feng,“Sparserepresentation or collaborative representation:which helps face recognition？”in ICCV2011)，建议用l2-范数取代l1-范数作为正则项，可以大大降低计算强度，并通过实验证明，其分类性能几乎接近于原始l1-范数最小化问题分类性能。但是在处理的图像的分辨率比较大时l2-范数的求解依然相当复杂，而且基于稀疏或协同表示算法进行的分类也不够精确。

发明内容

本发明所要解决的技术问题在于提供一种设计合理、计算量小、分类准确率高的基于协同表示和池化及融合的人脸识别分类方法。

解决上述技术问题所采用的技术方案由以下步骤组成：

(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)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；