[发明专利]一种基于矩阵分解和Gabor特征的鲁棒表示与分类的遮挡人脸识别方法

权利要求书

1.一种基于矩阵分解和Gabor特征的鲁棒表示与分类的遮挡人脸识别方法，其特征在于：该方法包括以下步骤：

S1)首先提出快速低秩矩阵恢复方法，将训练样本X分解得到一个“干净”的训练人脸图像和一个遮挡误差图像；

S2)在步S1)的基础上提出一种基于Gabor特征的鲁棒表示与分类的遮挡人脸识别方法，进一步进行遮挡人脸识别操作。

2.根据权利要求1所述的一种基于矩阵分解和Gabor特征的鲁棒表示与分类的遮挡人脸识别方法，其特征在于：所述步骤S1中，具体过程如下：

步骤S11)首先获取训练样本矩阵X，采用矩阵分解的方法快速求解矩阵的低秩分解，避免了核范数最小化求解大规模SVD的问题；

步骤S12)采用带l_2,1范数约束的目标函数来构建一个新的低秩矩阵恢复模型：

步骤S13)为了降低算法的复杂度把低秩矩阵A分解成三个较小矩阵的乘积，令A＝FGH，F∈R^d×r，G∈R^r×r，H∈R^r×n，其中，rmin(d,n)为一个给定矩阵的秩的上界，并假设F和H都有正交列和正交行，则可以得到F^TF＝I和HH^T＝I；

步骤S14)由步骤S13)可以得到||A||_*＝||FGH||_*＝||G||_*，矩阵A的核范数最小化问题可以减小到更小的矩阵G的核范数最小化问题，则得到的新的带有正交约束的核范数正则模型；

步骤S15)上式是带有等式约束和正交约束的非光滑非凸优化问题，使用交替方向法求解这个等式约束问题，最后可得到恢复的“干净”人脸图像矩阵A＝XA和误差矩阵E。

3.根据权利要求1所述的一种基于矩阵分解和Gabor特征的鲁棒表示与分类的遮挡人脸识别方法，其特征在于：所述步骤S2中，具体过程如下：

步骤S21)首先，对测试人脸图像、步骤15)得到的“干净”的训练人脸图像和遮挡误差样本图像分别进行Gabor小波变换、下采样和归一化处理，得到各自对应的Gabor特征向量；

步骤S22)然后利用Gabor特征进行人脸表示，引入一个带有Gabor特征的遮挡字典对遮挡部分进行编码；

步骤S23)接着对遮挡Gabor特征向量进行字典压缩操作，得到Gabor遮挡字典，并与训练样本的Gabor特征向量一起构成压缩的表示字典；

步骤S24)最后，利用协作表示分类人脸识别方法，计算测试样本的Gabor特征向量在压缩的表示字典上的表示残差，由此获得最终的识别结果。

4.根据权利要求3所述的一种基于矩阵分解和Gabor特征的鲁棒表示与分类的遮挡人脸识别方法，其特征在于：所述步骤S21中，具体过程如下：

步骤S211)首先对测试人脸图像、“干净”的训练人脸图像和遮挡误差样本图像分别进行Gabor小波变换，Gabor变换一幅图像的Gabor表示是由该图像与一组Gabor变换核卷积求得的；

步骤S212)接着，作为一种多尺度和多方向特征提取技术，Gabor滤波生成高度冗余的特征，要对滤波输出进行下采样以减少Gabor特征尺寸以及时间和空间复杂度；

步骤S213)进一步将下采样后的特征向量进行归一化为零均值和单位方差，则可以获得Gabor增广特征向量X；

步骤S214)对测试人脸图像y、“干净”人脸图像A和遮挡误差图像E分别进行上述变换，分别得到对应的增广Gabor特征向量G(y)、增广Gabor特征字典G(A)和增广Gabor遮挡字典G(A_e)。