[发明专利]基于HOG特征稀疏表示的非约束人脸识别方法

摘要

本发明提供一种基于HOG特征稀疏表示的非约束人脸识别方法，首先输入人脸数据库图片，提取输入图片的HOG特征；从每类人中随机选择若干张图片作训练，其余留作测试；将每类人每张训练图片的HOG特征列向量构建特征字典；利用梯度投影稀疏重建算法得到测试样本的HOG特征稀疏表示系数；按类依次保留稀疏系数，剩余系数置零，得到近似稀疏系数，与字典相乘得到测试样本估计值；计算测试样本与估计值的均方误差，根据均方误差最小原则判断测试样本类别。该方法有效降低非约束环境对人脸识别性能的影响，增强非约束人脸识别的鲁棒性。解决了传统稀疏表示分类算法中因字典维度大导致运行速度慢的问题，有效提高算法运行效率。

主权项

1.一种基于HOG特征稀疏表示的非约束人脸识别方法，其特征在于，S1、首先输入人脸数据库图片，提取输入图片的HOG特征；提取输入图片的HOG特征采用基于关键点的多尺度主方向旋转HOG特征提取方法，具体为：首先，构造多尺度主方向旋转梯度模板，包括3*3和5*5两个尺度的主方向旋转梯度模板；构造3*3尺度主方向旋转梯度模板具体为：在一个圆周2π范围内将3*3尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即3*3尺度主方向旋转梯度模板；根据梯度求导规则将八个3*3尺度主方向旋转梯度模板两两为一组分为四组，其中每组旋转梯度模板包含两个主方向相互垂直模板；构造5*5尺度主方向旋转梯度模板具体为：在一个圆周2π范围内将5*5尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即5*5尺度主方向旋转梯度模板；根据梯度求导规则将5*5尺度主方向旋转梯度模板两两为一组分为四组，其中每组旋转梯度模板包含两个主方向相互垂直模板；然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，以关键点为中心，在邻域范围内分别计算3*3和5*5两个尺度、四组旋转梯度模板下的HOG特征，并将每个尺度的四组HOG特征级联，得到3*3尺度、5*5尺度的主方向旋转HOG特征，即k‑PDR‑HOG‑3、k‑PDR‑HOG‑5；最后，将k‑PDR‑HOG‑3和k‑PDR‑HOG‑5两个特征级联融合，得到基于关键点的多尺度主方向旋转HOG特征；S2、从每类人中随机选择若干张图片作训练，其余留作测试，分为测试样本和训练样本；将每类人每张训练图片的HOG特征列向量构建特征字典，字典列数与训练样本数目相同；S3、利用梯度投影稀疏重建算法得到测试样本的HOG特征稀疏表示系数；S4、按类依次保留稀疏系数，剩余系数置零，得到近似稀疏系数，与字典相乘得到测试样本估计值；S5、计算测试样本与估计值的均方误差，根据均方误差最小原则判断测试样本类别。