[发明专利]一种基于协同表示非线性融合巴氏系数的人脸识别方法

说明书

本发明公开了一种基于协同表示非线性融合巴氏系数的人脸识别方法，该方法引入了加强原始图像较低等和较高等强度的像素，并降低其他像素，生成了新的虚拟样本，然后用虚拟训练样本和原始训练样本分别线性表示虚拟测试样本和测试样本；并计算测试样本与训练样本之间的巴氏系数相似度；将巴氏系数相似度与欧式距离非线性融合，最后将测试样本判别为残差值最小的训练样本的类别。本发明的有益效果为：将巴氏系数相似度的直方图信息引入到协同表示算法中，对欧式距离起到一种补充的作用；而且对虚拟样本与原始样本的融合、欧式距离与巴氏系数相似度的直方图信息的融合采用了非线性融合的方式让两种信息之间能够更好的结合，使得图像分类的精确度更高。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种基于协同表示非线性融合巴氏系数的人脸识别方法。

背景技术

随着现代信息技术的快速发展，进行身份认证的技术转到了生物特征层面。现代生物识别技术主要是通过计算机与高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。其中人脸是一个包含着丰富信息的模式的集合，是人类互相辩证和识别的主要标志之一，与指纹、虹膜、语音等其他人体生物特征相比，人脸识别更加直接、友好，无需干扰人们的正常行为就能较好地达到识别效果。

人脸识别在身份识别、访问控制、视频会议等方面有着广泛的应用，是当前模式识别和人工智能领域的一个研究热点。而且由于采用人脸识别技术的设备可以随意安放，设备的安放隐蔽性非常好，能远距离非接触快速锁定目标识别对象，因此人脸识别技术被国外广泛应用到公众安防系统中，应用规模庞大。但在实际应用中，我们往往无法获得大量的训练样本以供训练，进而提取用于分类和识别的特征。这一方面是因为人脸识别系统存储空间的有限，无法容纳大量的训练样本；另一方面是因为在短时间内对于同一对象无法获取其多张人脸样本照片用做训练。而有限的训练样本无法全面的表达人脸在光照条件下的表情变化和位置变化，所以很难提高人脸识别的准确性。因此，解决在训练样本有限的情况下，提高短时间内快速识别人脸图像的识别率的问题显得尤为重要。

发明内容

为解决上述问题，本发明的目的在于提供一种基于协同表示非线性融合巴氏系数的人脸识别方法，用于在训练样本有限情况下，快速识别人脸图像，满足真实场景下对小样本进行快速识别的准确性的要求。

为实现上述目的，本发明提供了一种基于协同表示非线性融合巴氏系数的人脸识别方法，该方法包括：包括以下步骤：

步骤1：通过增强原始图像的中等强度的像素的强度，降低其它像素的强度，生成虚拟样本，然后通过加强原始图像较低等和较高等强度的像素，并降低其他像素，生成了新的虚拟样本，选取部分原始图像作为原始训练样本，其余原始图像作为测试样本；

步骤2：通过协同表示算法，用虚拟训练样本、新的虚拟训练样本和原始训练样本分别线性表示虚拟测试样本、新的虚拟测试样本和测试样本；

步骤3：计算虚拟测试样本、新的虚拟测试样本、原始测试样本与虚拟训练样本、新的虚拟训练样本、原始训练样本之间的巴氏系数相似度；

步骤4：将步骤3计算得到的巴氏系数相似度与欧式距离非线性融合；

步骤5：根据步骤4的计算结果确定对虚拟测试样本、新的虚拟测试样本和原始测试样本进行分类，对所有得到的残差按类进行融合，根据融合后的残差进行判别，残差值最小的判别类别为原始测试样本、虚拟测试样本和新的虚拟测试样本所属类别。

作为本发明进一步的改进，步骤1中，新的虚拟样本的图像表示为，

其中，I_ij表示原始图像第i行和第j列的像素值，J_ij表示新的虚拟样本图像第i行和第j列的像素值。

作为本发明进一步的改进，步骤2具体包括：