[发明专利]基于字典重建的贝叶斯估计稀疏表示人脸识别方法

说明书

技术领域

本发明属于图像识别技术领域，尤其是涉及一种基于字典重建的贝叶斯估计稀疏表示人脸识别方法。

背景技术

人脸识别是模式识别领域的一大研究热点，是利用计算机分析人脸图像，从而提取有效识别信息，以辨认身份的一门技术，可以广泛应用于安全部门、身份鉴别、数字监控等领域。人脸是一种复杂、多变、高维的模式，尽管人们识别熟悉的人脸是容易的，但对机器来说如何准确识别出人脸仍然是一件困难的事情，人脸识别因其重要性也成为计算机视觉和模式识别中一个重要的研究领域。

过去的几十年里，已经有多种特征提取和识别方法，包括线性子空间法(如主成分分析法，线性判别分析法，独立主元分析法)，基于核的非线性子空间法(如支持向量机)，等等。然而，上述大多数系统只能识别受控环境下的人脸，当不同照明、表情、姿势或存在遮挡(如太阳镜，围巾)时，其识别性能会大大降低。为了提高识别方法的鲁棒性，压缩感知理论被应用到人脸识别中，并取得了很大的成功。但是，基于压缩感知理论的人脸识别方法SRC(Sparse Representation-based Classification)要求测试图像和训练图像严格对齐，光照、表情的变化尤其是当人脸图像存在遮挡时会引起人脸图像产生对齐误差，这就降低了SRC方法的识别性能。目前，在现有技术中，尚缺乏在遮挡情况下有效识别人脸率的方案。

发明内容

针对现有识别方法识别具有伪装的人脸图像时鲁棒性不好、识别率低的问题，本发明提供了一种基于字典重建的贝叶斯估计稀疏表示人脸识别方法。

为了达到上述目的，本发明提供如下技术方案：

一种基于字典重建的贝叶斯估计稀疏表示人脸识别方法，包括如下步骤：

步骤A，利用字典重建的方法，得到更能反映测试图像特性的稀疏表示字典，包括：

步骤A-1，将测试图像y经过灰度阈值变换处理后得到与原图像大小一样的二值图像；

步骤A-2，采用九点窗扫描的方法，对步骤A-1得到的二值图像进行平滑处理，得到二值图像y′；

步骤A-3，将步骤A-2得到的二值图像y′与原稀疏表示字典D₀中的每一幅图像进行乘法操作，得到测试图像y的重建稀疏表示字典D，其中，稀疏表示字典D₀、重建稀疏表示字典D均是示m×n维矩阵，且矩阵的每一列表示一幅人脸图像；

步骤B，测试图像y的稀疏表示如下：

min||α||₁s.t.y＝Dα

式中，||α||₁为稀疏表示系数向量α的1范数，min||α||₁表示α的1范数最小值，s.t.表示约束条件，

测试图像y的稀疏表示系数是唯一的，求解||α||₁的最小值，得到唯一的稀疏表示系数向量α；

随后计算测试图像y与重建稀疏表示字典中的测试图像y估计之间的误差：采用代价函数表示误差的大小，并判断测试图像y属于重建稀疏表示字典中与最小误差对应的那一类图像，然后基于近似信息对测试图像y进行分类识别。

进一步的，所述步骤B中得到稀疏表示系数向量的过程包括如下步骤：

步骤B-1，将重建稀疏表示字典D改写为：

D＝[r₁；r₂；…；r_m]；

式中，r_i表示D的第i行；

将残差写为：

e＝y-Dα＝[e₁；e₂；…；e_m]

式中，e_i＝y_i-r_iα为第i个像素值的残差，i＝1,2,…,m，e₁,e₂,…,e_m为独立同分布，e_i的概率密度为f₁(e_i)；y_i为图像y的第i个像素值；

将稀疏表示系数向量写为：

α＝[α₁；α₂；…；α_n]；