[发明专利]一种基于非负表征样本的协同表示人脸识别方法

说明书

本发明提供了一种基于非负表征样本的协同表示人脸识别方法和C个类别N个人脸图像样本的训练人脸样本集；对训练人脸样本集中的人脸图像样本进行归一化处理；通过协同测试表示测试人脸图像，获取测试人脸图像对应的协同表示系数；使用ReLU函数对测试人脸图像对应的协同表示系数进行映射；对映射后的测试人脸图像对应的协同表示系数进行二阶协同表示，获取二阶协同表示后的测试人脸图像；根据二阶协同表示后的测试人脸图像、训练人脸样本集，基于最近邻子空间分类函数进行人脸识别，识别出测试人脸图像对应的类别。相比于现有技术，本发明的人脸识别算法具备高效率、高识别能力、高稀疏性、高可解释性。

技术领域

本发明涉及人脸识别技术领域，具体而言，涉及一种基于非负表征样本的协同表示人脸识别方法。

背景技术

基于协同表示的分类方法(CRC)是一种高效的人脸识别方法。通过对图像的线性表示使用l₂正则化，基于协同表示的识别器相对于基于稀疏表示的识别器在计算所用的时间上更少，在人脸识别领域方面更具有竞争力。然而，在协同表示方法中，从训练样本中计算出的每个元素的都被用于表示而没有进行选择，这往往可能导致在一些人脸识别任务中表现不佳。

发明内容

有鉴于此，本发明实施例的目的在于结合协同表示方法与限制线性单元(ReLU)函数，使用结限制线性单元(ReLU)函数对负系数协同表示元素进行筛选，并增强人脸图像的协同表示的稀疏性，从而提出一种高性能且高效的人脸识别算法。

本发明的第一方面提供了一种基于非负表征样本的协同表示人脸识别方法，所述方法包括：

步骤1，获取测试人脸图像和C个类别N个人脸图像样本的训练人脸样本集；

步骤2，对训练人脸样本集中的人脸图像样本进行归一化处理；

步骤3，通过协同测试表示所述测试人脸图像，获取所述测试人脸图像对应的协同表示系数；

步骤4，使用ReLU函数对所述测试人脸图像对应的协同表示系数进行映射；

步骤5，对步骤4映射后的所述测试人脸图像对应的协同表示系数进行二阶协同表示，获取二阶协同表示后的测试人脸图像；

步骤6，根据所述二阶协同表示后的测试人脸图像、训练人脸样本集，基于最近邻子空间分类函数进行人脸识别，识别出测试人脸图像对应的类别。

优选地，所述步骤1中，训练人脸样本集表示为：

其中，X_c为训练集中来自第i个类的图像样本，i∈[1,C]；M代表人脸图像的像素数量，N代表训练人脸图像样本总数量，C代表训练人脸图像样本的已标记类别的数量。

优选地，所述步骤2，还包括：

对训练人脸样本集X^tr和测试人脸图像进行归一化：

其中，X_ij代表第i个训练人脸图像样本X_i的第j个元素，代表第i个训练人脸图像样本的第j个元素，代表X的矩阵二范数。

优选地，所述步骤3，还包括通过解以下公式(3)的优化函数获得所述测试人脸图像对应的协同表示系数

其中，协同表示系数由以下公式(4)得到闭式解：

其中，λ代表惩罚系数，I为单位矩阵，是由元素组成的矩阵，是经过公式(3)基于α的优化后的最优协同表示系数向量。优选地，所述步骤4，还包括使用ReLU函数对测试人脸图像的协同表示系数进行映射：