[发明专利]一种基于稀疏表示的误差人脸识别方法

说明书

本发明提供了一种基于稀疏表示的误差人脸识别方法，属于模式识别领域。本方法针对采样不足条件下含有光照、噪声等各种误差的人脸图像的识别问题提出解决方法。首先，输入训练样本矩阵，利用样本差异性将其重构为融合字典；其次，利用融合字典对测试样本进行稀疏编码，提出一种基于稀疏表示的人脸识别方法，并提出拉普拉斯均匀混合函数描述编码误差；然后，提出一种融合字典和稀疏表示系数低秩正则化理论，对样本的稀疏表示效果进行优化；最后，计算样本图像的重构残差，对残差增加权重来抑制误差对识别结果的影响，并根据加权后的最小残差完成对人脸图像的识别操作。该方法提高了误差人脸图像的识别精确度和鲁棒性，使得人脸识别技术更方便的应用在现实生活复杂的场景中。

技术领域

本发明属于计算机图像处理和模式识别的技术领域，主要涉及一种基于稀疏表示的误差人脸识别方法。

背景技术

人脸识别技术作为图像处理和模式识别领域的研究热点，在近几年人工智能浪潮的推动下被越来越多的学者研究。这是由于人脸识别技术具有携带方便、不易伪造、不易丢失、不易被盗用等特点，同时具有容易获取、采集方便、特征明显等优势。这使得人脸识别技术在金融、安防、娱乐等领域得到广泛应用。

随着人脸识别技术的广泛应用，逐渐暴露出人脸识别方法所面临的诸多挑战。例如：采集到的训练样本数量不足，人脸图像受到表情变化、光照变化等因素的影响，图像在传输、信道解码等过程中产生不同程度的误差。

基于稀疏表示分类(Sparse Representation-based Classification，SRC) 的人脸识别方法，开创性的将测试样本编码为所有训练样本的稀疏线性组合，进而通过评估样本类别之间的最小残差实现分类。基于稀疏表示的人脸识别方法对含有噪声和遮挡的人脸图像识别具有很好的性能，因此，相关学者在此基础上做了很多改进。例如，鲁棒稀疏编码(Robust Sparse Coding，RSC)模型、叠加线性表示分类器(Superposed LinearRepresentation Classifier，SLRC)、自适应稀疏表示分类器(Adaptive SparseRepresentation-based Classification，ASRC)等。在人脸识别实际应用中面对的问题复杂多样，例如：采样不足时样本图像受到误差的影响，此时，上述方法未能有效解决这些问题。

发明内容

本发明针对采样不足时、人脸图像含有光照、遮挡、噪声等各种误差的问题，提供一种基于稀疏表示的误差人脸识别方法，用于提高人脸识别的稳定性和识别精度。

为了达到上述目的，本发明一种基于稀疏表示的误差人脸识别方法，主要包括以下步骤：

步骤1)输入训练样本矩阵A，利用样本差异性将其重构为融合字典 F；

步骤2)利用融合字典F对测试样本y进行稀疏编码，提出一种基于稀疏表示的人脸识别方法，并提出拉普拉斯均匀混合函数描述编码误差；

步骤3)提出一种融合字典和稀疏表示系数的低秩正则化理论，对样本的稀疏表示效果进行优化；

步骤4)计算样本图像的重构残差，对重构残差增加权重来抑制随机误差对识别结果的影响，并根据加权后的最小残差完成人脸图像的识别操作。

进一步，所述步骤1)具体包括以下步骤：

步骤11)获取k类训练样本矩阵A∈R^m×n，其中m为训练样本的维度，n为k类训练样本的总个数，利用样本差异性将其分解为类中心矩阵 P＝[c₁,…,c_i,…c_k]∈R^m×k和类内变化矩阵其中，类中心矩阵由每类训练样本的均值图像构成，类内变化矩阵由每个训练样本与所在类的类中心矩阵之间的差异构成，其中，c_i表示第i类的质心，A_i表示第i类训练样本矩阵，n_i为第i类训练样本的数量，T为矩阵的转置；