[发明专利]基于LRC和协同表示的两阶段人脸识别方法

摘要

本发明公开一种基于LRC和协同表示的两阶段人脸识别方法，第一阶段，运用LRC人脸识别算法计算测试样本与每类训练样本的误差，根据它们之间的相似度量与误差的关系对误差进行排序，并对数据库中的目标进行有效的筛选，筛选出S类训练样本用于下一阶段的识别。第二阶段，用筛选出的S类训练集作CRC人脸识别算法的编码字典，并利用其做精确的分类识别。这样可以在保证方法识别率较高，鲁棒性较好的同时，大大能降低了识别时间，当新目标加入数据库时，不用更新整个人脸数据模型，只需更新某一子类模型，从而减少训练时间；并且，通过第一阶段的训练样本的筛选，大大减小了第二阶段识别中数据字典的大小，节约了全局搜索的时间。

主权项

一种基于LRC和协同表示的两阶段人脸识别方法，其特征是包括如下步骤：步骤1，假设人脸数据库包含L类，每类包括ni(i＝1,2,…L)幅图像；设测试样本为y，L类训练样本构成的矩阵为A＝[A1,A2,…AL]，其中Ai(i＝1,2…L)表示第i类训练样本构成的矩阵；步骤2，若测试样本y属于第i类，将y用训练样本的子类线性表示，即y＝Aixi,i＝1,2,…L   ①式中，y表示测试样本；Ai表示第i类训练样本构成的矩阵，且Ai∈A，A表示L类训练样本构成的矩阵；xi表示第i类训练样本的系数向量；步骤3，用最小二乘估计法估出第i类训练样本的系数向量x~i=(AiTAi)-1AiTy,i=1,2,...L]]>   ②式中，表示第i类训练样本系数向量的估计值；Ai表示第i类训练样本构成的矩阵，且Ai∈A，A表示L类训练样本构成的矩阵；y表示测试样本；步骤4，计算测试样本y在第i类训练样本上的映射即第i类训练样本的回归响应y~i=Aix~i,i=1,2,...L]]>   ③式中，表示第i类训练样本的回归响应；Ai表示第i类训练样本构成的矩阵，且Ai∈A，A表示L类训练样本构成的矩阵；表示第i类训练样本系数向量的估计值；步骤5，用欧氏距离分别计算出测试样本y与L类训练样本的回归响应之间的残差eqi(i＝1,2,…L)，并由此得到无序的残差矩阵[eq1,eq2,...eqL]；其中测试样本y与第i类训练样本的回归响应之间的残差eqi为eqi=||y-y~i||2,i=1,2,...L]]>   ④式中，表示第i类训练样本的回归响应；eqi表示测试样本y与第i类训练样本的回归响应之间的残差；y表示测试样本；步骤6，将无序的残差矩阵[eq1,eq2,...eqL]中的元素按照升序进行排列，得到有序的残差矩阵[eη1,eη2,…eηL]；并从该有序的残差矩阵[eη1,eη2,…eηL]中筛选出前S类残差小于设定的残差阈值T所对应的类；其中S<<L；步骤7，把筛选出的这S类训练样本作为协同表示分类识别的编码字典并在此条件下将协同表示模型定义为⑤式中，表示稀疏解；Γα表示稀疏向量；y表示测试样本；表示编码字典；λ表示正则化参数；步骤8，用最小二乘法求解上述协同表示模型的稀疏解该稀疏解Γ^α=[Γ^α1,Γ^α2,...,Γ^αS]T,]]>其中⑥式中，表示编码字典所对应的稀疏系数构成的向量，且表示稀疏解；表示第j类训练样本构成的字典，且表示编码字典；λ表示正则化参数；I表示单位矩阵；y表示测试样本；步骤9，用最小归一化残差算法识别出测试样本y，即完成了人脸分类识别；⑦式中，y表示测试样本；表示第j类训练样本构成的编码字典，且表示编码字典；表示所对应的稀疏系数构成的向量，表示稀疏解。