[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

说明书

本发明提供了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，属于模式识别领域。本方法针对低秩矩阵恢复方法复杂度过高和训练集样本存在遮挡的人脸识别问题提出解决方法。首先，通过矩阵的分解运用低秩矩阵恢复方法，求得训练样本对应的误差图像；然后，分别对“干净”人脸和遮挡误差图像进行Gabor变换，得到Gabor特征向量；接着，提出一种遮挡字典缩减的方法，可以计算出压缩后的Gabor遮挡字典，并用其与训练样本的Gabor特征向量构成Gabor压缩字典；最后，利用压缩字典对测试样本进行协作表示，获取最终的识别结果。本发明提供的方法不仅可以计算出紧凑的遮挡字典，而且提高了遮挡人脸图像的识别率，具有更好的识别性能，同时大大降低了计算量。

技术领域

本发明属于模式识别和生物特征识别技术领域，主要是涉及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。

背景技术

近年来，随着科技的发展，人脸识别技术成为模式识别领域的研究热点，也是生物特征识别领域的重要组成部分，被广泛地应用在社会各个领域。虽然目前人脸识别技术已经取得了长足的进展，但是在现实应用中仍然面临着巨大的挑战。一般人脸识别都要求训练样本不受噪声污染，即前提条件是这些识别的方法都是基于单一样本的单一个体的图像位于同一低秩子空间，但是现实场景中，通常都会受到比如姿势、光照、表情变化以及遮挡的各种影响。

在测试和训练样本图像没有遮挡、污染、噪声、光照表情和姿势变化的情况下，稀疏表示的分类(Sparse Representation Classification，SRC)算法的识别性能较好，否则识别性能就会明显降低。为了提高SRC的性能，Wright等人提出了鲁棒SRC(Robust SRC，RSRC)模型，通过引入一个遮挡字典来编码人脸图像的遮挡部分，SRC可以获得对人脸遮挡的鲁棒人脸识别的结果。然而，由于l₁范数最小化和单位遮挡字典中存在大量的原子，使得SRC方案在计算上代价很高。针对此问题，Candès等人提出的鲁棒主成分分析(RobustPrincipal Component Analysis，RPCA)，也称为低秩恢复算法，该方法能够从受污染的训练样本中恢复出一个“干净”的人脸图像和描述污染的误差图像；在此基础上，Liu等人提出了一种新的低秩恢复(Low-rank Recovery，LRR)算法，LRR方法不仅可以在测试样本和训练样本均受到污染的情况下有效恢复出“干净”的人脸图像和误差图像，还在一定程度上解决了训练样本来自不同子空间的问题，但LRR方法在求解过程中要进行多次奇异值分解(Singular Value Decomposition，SVD)，导致算法复杂度较高。

综上，虽然一些针对遮挡情况下的人脸识别问题的研究采用了各种方法对遮挡进行了处理，在一定程度上提高了算法的识别效果，但考虑并不全面，如小样本问题，人脸结构相似性问题，算法运行时人脸识别系统内存过大，算法运行较慢等问题。

发明内容

有鉴于此，本发明的目的在于提供一种解决低秩矩阵恢复算法复杂度过高和训练集样本存在遮挡的人脸识别问题的方法。在快速低秩矩阵恢复方法的基础上，通过Gabor变换和遮挡字典缩减的操作，实现既可以缩减算法的运行时间，也在一定程度上解决了小样本问题，并有效保证了遮挡人脸识别的有效性。

为达到上述目的，本发明提供如下技术方案：

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，包括以下步骤：

步骤1)首先提出快速低秩矩阵恢复方法(Fast Low-rank Matrix Recovery，FLRR)，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；

步骤2)在步骤1)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。

进一步，所述步骤1)具体为包括以下步骤：