[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

说明书

本发明公开了鲁棒人脸图像主成分特征提取方法及识别装置，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，直接提取人脸图像的联合低秩与稀疏主成分特征，同时可完成图像纠错处理；利用鲁棒投影模型的训练样本的嵌入主成分特征，通过额外一个分类错误最小化问题得到一个线性多类分类器W^*，用于人脸测试图像的归类；在处理测试样本时，利用线性矩阵P提取其联合特征，进而利用分类器W^*进行归类；通过引入低秩恢复和稀疏描述的思想，可编码得到描述性更强的人脸图像主成分特征，可去除噪音，有效提高了人脸识别的效果。

技术领域

本发明涉及图像处理技术领域，特别涉及一种鲁棒的人脸图像主成分特征提取方法及识别装置。

背景技术

在大量的现实应用中，大多数现实数据都具有高维的特征，例如人物面部图像或人脸图像。对于图像而言，图像中的像素构成了图像向量样本数据的维度或特征，因此尺寸较大的图像则将构成了维度很高的向量样本数据。但是人脸图像在采集、传输、显示、压缩保存等过程容易形成不利的无用特征、冗余信息或噪音数据，因此如何从高维的人脸图像数据中提取出最具描述性的特征，进行人脸图象识别，是本领域技术人员需要解决的问题。

对于人脸图像主成分特征提取，最经典的方法是PCA(Principal ComponentAnalysis，主成分分析)。PCA可以有效地展示数据之间的线性关系，但是基于L2范数的PCA模型已被证明对噪音、异常值或数据缺失非常敏感，所以可能无法精确展示现实人脸图像数据的潜在的真实子空间结构。为了克服PCA的缺陷，一些鲁棒的PCA模型近年来被研究学者提出，例如PCA-L1(基于L1范数的主成分分析)和IRPCA(Inductive Robust PrincipalComponent Analysis，归纳式鲁棒主成分分析)。PCA-L1通过将PCA中的L2范数替换成L1范数来衡量散度矩阵，因此这种方法具有旋转不变性并对噪音和异常值健壮。IRPCA目标是通过一个低秩的投影来去除或纠正样本数据中可能含有的错误，且可有效处理样本外数据。PCA-L1和IRPCA均能够得到描述性更强的鲁棒主成分特征，但是二者在主成分特征编码中仅考虑了数据的低秩特性或稀疏特性。

鉴于考虑数据的低秩特性或稀疏特性在特征描述过程中的重要性，本发明提供了一种鲁棒人脸图像主成分特征提取新方法及识别装置，提高了人脸图像描述与识别的准确度，是本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种鲁棒的人脸图像主成分特征提取方法及识别装置，通过引入低秩恢复和稀疏描述的思想，可编码得到描述性更强的人脸图像主成分特征，同时可去除噪音，有效提高了人脸识别的效果。

为解决上述技术问题，本发明提供一种鲁棒的人脸图像主成分特征提取方法，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；

利用鲁棒投影P提取训练样本的嵌入主成分特征，通过额外一个分类错误最小化问题可得到一个线性多类分类器W*，用于人脸测试图像的归类；

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。

可选的，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: