[发明专利]鲁棒的人脸图像主成分特征提取方法及识别装置

权利要求书

1.一种鲁棒的人脸图像主成分特征提取方法，其特征在于，基于低秩矩阵恢复和稀疏描述的方法，包括：

通过同时考虑人脸图像训练样本数据的低秩与稀疏特性，将经过一个投影嵌入的主成分特征直接进行低秩和L1-范数最小化，编码得到一个描述性强的鲁棒投影P以及稀疏错误矩阵E，利用鲁棒投影P直接提取人脸图像的联合低秩与稀疏主成分特征，同时利用稀疏错误矩阵E可完成图像纠错处理；

利用所述鲁棒投影矩阵P，得到m个训练样本的联合低秩与稀疏主成分特征；将每个训练样本的联合低秩与稀疏主成分特征输入多元岭回归模型进行分类器学习，通过优化得到一个线性多类分类器W^*，W^*＝(PXX^TP^T+I_n)^-1PXH^T；其中，H＝[h₁,h₂,...,h_m]∈R^c×m是所有训练样本的初始标签，c是所有训练样本类别数，h_j代表训练样本x_j的标签，若x_j的标签为i，1≤i≤c，则h_i,j＝1，h_j中其他元素h_i,j均为0，用于人脸测试图像的归类；其中，W为初始线性多类分类器；

在处理测试样本时，利用鲁棒投影P提取测试样本的联合低秩与稀疏主成分特征，利用线性多类分类器W*进行归类，根据得到的软标签中的概率最大值对应的位置，得到人脸图像识别结果。

2.如权利要求1所述的鲁棒的人脸图像主成分特征提取方法，其特征在于，将经过一个投影嵌入的主成分特征直接进行低秩和L1-范数最小化，编码得到一个描述性强的鲁棒投影P以及稀疏错误矩阵E，包括:

选取m个人脸图像训练样本进行预处理得到训练样本图像矩阵X＝[x₁,x₂,...,x_m]∈R^n×m，并设定鲁棒投影模型的参数；其中，n为训练样本的维度；

利用公式Subj X＝PX+E将训练样本图像矩阵X分解得到鲁棒投影矩阵P及稀疏错误矩阵E；

其中，权衡参数λ＞0且依赖于错误或噪音级别，α∈[0,1]为低秩主成分编码特征和稀疏主成分编码特征之间的权衡参数；||□||_*为核范数，||□||₁为L1范数，||□||_m表示L1范数或L2,1范数；

其中，任意矩阵L的核范数表示为任意矩阵S的L1范数表示为任意矩阵E的L2,1范数表示为其中，表示矩阵L的奇异值之和，S_i,j为矩阵S中的第i行、第j列元素。

3.如权利要求1所述的鲁棒的人脸图像主成分特征提取方法，其特征在于，利用鲁棒投影P提取测试样本的联合低秩与稀疏主成分特征之前，包括：

将每个测试样本的分辨率设置为32×32，形成1024维。

4.如权利要求1至3任一项所述的鲁棒的人脸图像主成分特征提取方法，其特征在于，还包括：

交替地对鲁棒投影P及线性多类分类器W*进行更新。