[发明专利]基于协同表示和池化及融合的人脸识别分类方法

摘要

一种基于协同表示和池化及融合的人脸识别分类方法，具体包括将人脸数据库分为训练人脸图像集和测试人脸图像集；对训练人脸图像集和测试人脸图像集分别进行最大池化、平均池化和最小池化处理；归一化处理；求最大池化训练人脸图像集协同表示该最大池化测试人脸图像的最大池化误差向量；求平均池化训练图像集协同表示每一张平均池化测试图像的平均池化误差向量；求最小池化训练图像集协同表示该最小池化测试图像的最小池化误差向量；对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，并对测试人脸图像集中的人脸图像进行分类。

主权项

1.一种基于协同表示和池化及融合的人脸识别分类方法，其特征在于由以下步骤组成：(1)人脸图像数据库A＝[a₁₁,a₁₂,...a_1n；...a_m1,a_m2...a_mn；]，a_mn为第m类的第n张人脸图像，m和n均为正整数，从人脸图像数据库A的每类人脸图像中随机选取k张人脸图像，k为正整数且k＜n，共选取m×k张人脸图像作为训练人脸图像集B＝[b₁₁,b₁₂,...b_1k；...b_m1,b_m2,...b_mk；]，b_mk为第m类第k张训练人脸图像，剩余m×(n‑k)张人脸图像作为测试人脸图像集C＝[c₁₁,c₁₂,...c_1(n‑k)；...c_m1,c_m2,...c_m(n‑k)；]，c_m(n‑k)为第m类第n‑k张测试人脸图像；(2)对训练人脸图像集B和测试人脸图像集C分别进行最大池化、平均池化和最小池化处理，得到最大池化训练人脸图像集B′＝[b′₁₁,b′₁₂,...b_1k；...b′_m1,b′_m2,...b′_mk；]、平均池化训练人脸图像集B″＝[b″₁₁,b″₁₂,...b″_1k；...b″_m1,b″_m2,...b″_mk；]、最小池化训练人脸图像集B″′＝[b″′₁₁,b″′₁₂,...b″′_1k；...b″′_m1,b″′_m2,...b″′_mk；]、最大池化测试人脸图像集C′＝[c′₁₁,c′₁₂,...c′_1(n‑k)；...c′_m1,c′_m2,...c′_m(n‑k)；]、平均池化测试人脸图像集C″＝[c″₁₁,c″₁₂,...c″_1(n‑k)；...c″_m1,c″_m2,...c″_m(n‑k)；]、最小池化测试人脸图像集C″′＝[c″′₁₁,c″′₁₂,...c″′_1(n‑k)；...c″′_m1,c″′_m2,...c″′_m(n‑k)；]，b′_mk为第m类第k张最大池化训练人脸图像，b″_mk为第m类第k张平均池化训练人脸图像，b″′_mk为第m类第k张最小池化训练人脸图像,c′_m(n‑k)为第m类第n‑k张最大池化测试人脸图像，c″_m(n‑k)为第m类第n‑k张平均池化测试人脸图像，c″′_m(n‑k)为第m类第n‑k张最小池化测试人脸图像；(3)对最大池化训练人脸图像集B′、最大池化测试人脸图像集C′、平均池化训练人脸图像集B″、平均池化测试人脸图像集C″、最小池化训练人脸图像集B″′、最小池化测试人脸图像集C″′进行归一化处理；(4)确定最大池化训练人脸图像集B′协同表示每一张最大池化测试人脸图像c′_hg的最大池化误差向量(4.1)从步骤(3)归一化处理后的最大池化测试人脸图像集C′中取出最大池化测试人脸图像c′_hg，h∈[1,m]，g∈[1,n‑k]，h和g均为正整数，用最大池化训练人脸图像集B′表示最大池化测试人脸图像c′_hg，其表示系数为ρ，ρ＝(B′^TB′+λ*I_s)^‑1B′^Tc′_hg式中B′^T为最大池化训练人脸图像集B′的转置，λ为正则化参数，λ∈(10^‑6，10^‑1)，I为s阶单位矩阵，s＝k×m；(4.2)用第i类最大池化训练人脸图像集U表示最大池化测试人脸图像c′_hg的最大池化误差为r_i，r_i＝||c′_hg‑Uρ₂/||ρ||₂式中U＝[b′_i1,b′_i2,...b′_ik]，b′_ik为第i类第k张最大池化训练人脸图像，i＝1,2,...m，i为正整数；(5)用平均池化训练图像集B″协同表示每一张平均池化测试图像c″_hg的平均池化误差向量(5.1)经步骤(3)归一化处理后的平均池化测试人脸图像集C″中取出平均池化测试人脸图c″_hg，h∈[1,m]，g∈[1,n‑k]，h和g均为正整数，用平均池化训练人脸图像集B″表示平均池化测试人脸图像c″_hg，其表示系数为ρ′，ρ′＝(B″^TB″+λ*I_s)^‑1B″^Tc″_hg式中B″^T为平均池化训练人脸图像集B″的转置，λ为正则化参数，λ∈(10^‑6，10^‑1)，I为s阶单位矩阵，s＝k×m；(5.2)用第i类平均池化训练人脸图像集L表示平均池化测试人脸图像c″_hg的平均池化误差为r′_i，r′_i＝||c″_hg‑Lρ′||₂/||ρ′||₂式中L＝[b″_i1,b″_i2,...b″_ik]，b″_ik为第i类第k张平均池化训练人脸图像，i＝1,2,...m，i为正整数；(6)确定最小池化训练图像集B″′协同表示每一张最小池化测试图像c″′_hg的最小池化误差向量(6.1)经步骤(3)归一化处理后的最小池化测试人脸图像集C″′中取出最小池化测试人脸图c″′_hg，h∈[1,m]，g∈[1,n‑k]，h和g均为正整数，用最小池化训练人脸图像集B″′表示最小池化测试人脸图像c″′_hg，其表示系数为ρ″，ρ″＝(B″′^TB″′+λ*I_s)^‑1B″′^Tc″′_hg式中B″′^T为最小池化训练人脸图像集B″′的转置，λ为正则化参数，λ∈(10^‑6，10^‑1)，I为s阶单位矩阵，s＝k×m；(6.2)用第i类最小池化训练人脸图像集Q表示最小池化测试人脸图像c″′_hg的平均池化误差为r_i″，r_i″＝||c″′_hg‑Qρ″₂/||ρ″||₂式中Q＝[b″′_i1,b″′_i2,...b″′_ik]，b″′_ik为第i类第k张最小池化训练人脸图像，i＝1,2,...m，i为正整数；(7)对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，得到融合后的误差向量，求出误差向量中最小值所对应人脸图像数据库A中的类别，将步骤(4)取出的最大池化测试人脸图像c′_hg和步骤(5)取出的平均池化测试人脸图像c″_hg及步骤(6)取出的最小池化测试人脸图像c″′_hg所对应的测试人脸图像集中的人脸图像分配到该类。