[发明专利]一种基于判别低秩回归模型的人脸识别方法

说明书

本发明公开了一种基于判别低秩回归模型的人脸识别方法，属于智能信息处理领域。所述方法利用低秩框架，稀疏一致性约束和图嵌入约束来提高人脸识别的准确度。其实现过程为：将图嵌入约束，稀疏一致性约束和标签松弛方法融入到低秩回归框架中，形成新的判别低秩回归模型。新的判别低秩回归模型能有效的挖掘人脸图像间的全局和局部信息，从而提高人脸识别的精度。通过模型的优化求解，获得转换矩阵，利用转换矩阵将原始图像空间转换到具有更强的紧凑性和判别性的图像特征空间，最后利用最近邻分类算法进行人脸识别。与现有技术相比，本发明提出的人脸识别方法对低分辨率、噪声大等质量低劣的人脸图像的识别鲁棒性更高，且识别精度更高。

技术领域

本发明涉及一种基于判别低秩回归模型的人脸识别方法，属于智能信息处理领域。

背景技术

随着国内人脸识别技术水平的不断成熟，它也越来越多的被推广到安防领域，延伸出考勤机、门禁机等多种产品。尽管已有的人脸识别系统在特定约束环境下的识别率令人满意,但在实际环境尤其在视频监控应用中,由于监控对象的不配合，距离监控摄像头较远或者存在遮挡等问题引起图像可用信息有限。另外，由于不同个体的人脸具有一定的相似性和相同个体的人脸存在的易变性，不同场景下的人脸识别存在一定的不稳定性。如由于角度的变化，表情变化，光照条件的复杂变化等，都有可能会导致人脸的部分特征无法正常提取，导致人脸的识别错误，如在寻找失踪儿童、定位罪犯时，可能会出现由于获取的图像信息很有限，而耽误刑侦办案的进度。在考勤系统中，也会出现女性由于化妆等原因而出现刷脸签到不成功的情况。因此提高各种场景下人脸识别的精度有重要的研究意义。

人脸识别作为一种友好的生物识别技术得到了广泛应用。人脸识别作为模式识别和图像处理领域成功的应用之一，在过去很长一段时间里一直都是研究热点。从技术角度来讲，人脸识别主要有三大类，即传统的人脸识别方法、基于表示的人脸识别方法和基于深度学习的人脸表示方法。

传统的人脸识别方法的性能和理想的识别效果还有很大的差距。基于深度学习的方法面对海量的数据具有较好的识别性能，但在实际应用中遇到小样本的情形时，性能往往会快速下降，甚至无法使用。基于表示的识别方法由于简单高效，从提出一直受到人们的关注。

稀疏表示、协同表示、低秩表示是典型的基于表示的识别方法。由于基于表示的方法具有良好的抗噪声、抗遮挡的特性，所以许多的改进模型被提出：

Xiang等人提出了判别最小二乘回归算法(Discriminant Least SquaresRegression,DLSR)，DLSR利用ε-dragging技术来增大不同类图像的区分度来达到增加判别性，从而提高识别的精度(Xiang,S.,Nie,F.,Meng,G.,Pan,C.,Zhang,C.(2012).Discriminative least squares regression for multiclass classification andfeature selection.IEEE Transactions on Neural Networks and Learning Systems,23(11),1738–1754)。

这些算法在一定程度上提高了人脸识别的精度，但对于分辨率较低、噪声较大等可用信息有限的人脸图像进行识别时，这些方法的识别性能会受到较大程度的影响。如何对可用信息有限的人脸图像进行有效的识别是人们一直研究的热点。

发明内容

针对上述问题，本发明提出了一种基于判别低秩回归模型的人脸识别方法。以解决由于角度的变化，表情变化，光照条件等复杂变化引起的低分辨率、噪声大、质量低劣的人脸图像的识别问题。

一种人脸识别方法，所述方法通过稀疏一致性约束增大不同类别的人脸图像之间的差异性，同时通过图嵌入约束保持同类别人脸图像之间的近邻关系，并结合松弛标签方法构建得到判别低秩回归模型，在识别过程中将待识别人脸图像输入构建得到的判别低秩回归模型中以实现对待识别人脸图像的人脸识别，得到识别结果。