[发明专利]一种基于加权协同表示的人脸识别方法

说明书

本发明公开了一种基于加权协同表示的人脸识别方法，其将待识别图像线性表示成全体训练图像的线性组合，同时将待识别图像与每类样本的距离信息作为先验信息引入到特征表示函数中，增强了距离待识别图像较近的某类样本的重构权重，然后利用最小二乘法求解表示系数，最后根据待识别图像与每类训练图像的重构残差大小判断待识别图像的类别。本发明基于L₂范数求解最优化问题，因此计算速度较快，另外，本发明将训练样本的类别信息及待识别样本与每类训练样本先验的距离信息作为权重用于构造特征表示方程，因此在一定程度上可增强所提模型的特征表达能力，从而可有效避免图像光照、人脸姿态、表情等变化对识别效果的影响。

技术领域

本发明涉及一种图像识别方法，特别是一种基于加权协同表示的人脸识别方法，属于图像识别技术领域。

背景技术

人脸识别是身份鉴别的一种重要方法，在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域有着广泛的应用前景。在过去的几十年里，研究者们提出了诸多人脸识别方法，其中基于表示学习的图像分类方法被广泛应用于人脸识别。

比较著名的基于表示学习的图像分类方法有：

(1)稀疏表示分类器(SRC)，记载于J.Wright,A.Y.Yang,A.Ganesh,S.S.Sastry,Y.Ma于2009年在IEEE Transactions onPatternAnalysis andMachine Intelligence第31卷第2期210-2272页发表的《Robust face recognitionvia sparse representation》，该方法假定待识别图像可由全体训练图像稀疏线性表示而成，通过求解L₁范数最优化问题获得稀疏重构系数，然后根据待识别图像与每类训练图像的重构残差大小判断待识别图像的类别。

(2)线性回归分类器(LRC)，记载于I.Naseem，R.Togneri，M.Bennamoun于2010年在IEEE Transactions onPatternAnalysis andMachine Intelligence第32卷11期2106-2112发表的《LinearRegression forFace Recognition》，该方法假定待识别图像可由某类训练图像线性组合而成，通过求解L₂范数最优化问题获得重构系数，然后根据待识别图像与每类训练图像的重构残差大小判断待识别图像的类别。

(3)协同表示分类器(CRC)，记载于L.Zhang,M.Yang,X.Feng于2011年在IEEEConference on Computer Vision第471-478发表的《Sparse representation orcollaborative representation:whichhelps face recognition》，该方法将待识别图像线性表示成全体训练图像的线性组合，利用最小二乘法求解重构系数，然后根据待识别图像与每类训练图像的重构残差大小判断待识别图像的类别。

这三类方法基本思想较为相近，都是将待识别图像表示成某部分训练图像的线性组合，其中SRC需基于L₁范数求解最优化问题，求解过程较为复杂，所耗时间较长；LRC与CRC均是基于L₂范数求解最优化问题，只需利用最小二乘法求解表示系数，求解过程简单，相较于SRC所耗时间较少。然而，LRC是假定待识别图像可由某类样本线性表示而成，其特征表达能力与每类样本的数目相关，当某类样本数较少时，其特征表达能力较弱，识别能力也会下降。CRC在利用全体训练图像线性表示待识别图像时，并没有考虑不同类别样本之间的差异性，导致特征表达能力较弱，识别能力也会因此受到影响。

发明内容

本发明所要解决的技术问题是，针对目前基于表示学习的图像分类方法中存在的缺陷，设计一种基于加权协同表示的图像分类方法并用于解决人脸识别问题，使得求解过程简单，计算速度较快，识别率较高。