[发明专利]一种快速协同表示人脸分类方法

说明书

本发明公开了一种快速协同表示人脸分类方法，该方法：获取所有待测人员的若干脸部图像，组成训练样本集和测试样本集；将训练样本集投射到PCA子空间，得到该样本集的特征脸集；用特征脸以及类内变量字典共同线性表示测试样本；在字典空间中通过l₂范式迭代计算初始字典系数，随后二次引入l₁范式完成系数的精确优化；将重构测试样本PCA系数和降维样本投射到LDA子空间，分别得到重构测试样本和训练样本的LDA系数；选取与测试样本最小重构误差的类别作为人脸测试样本的最终候选类别。本发明不仅有效剔除了训练样本与测试样本间的信息冗余，提高了人脸识别精度，而且大幅降低了传统表示分类优化方法的时间开销，具有较好的通用性和鲁棒性。

技术领域

本发明公开了一种快速协同表示人脸分类方法，涉及到表示学习，字典优化以及数据降维技术。具体说来包括类内变量字典的构造、PCA降维、二次稀疏协同优化以及LDA鉴别重构误差评估；属于图像处理和模式识别的技术领域。

背景技术

人脸识别(FR)是模式识别、计算机视觉和生物识别技术中最热门的研究领域之一。但是它时常受诸多因素，例如：姿势、表情、光照以及遮挡等影响。此外，并不是所有采集得到的高维数据对分类都起作用，为获得高效的人脸识别性能，研究者近年提出了各种经典的降维方法，例如：主元分析(PCA)、线性判别分析(LDA)、拉普拉斯特征映射、局部保持映射(LPP)、局部线性嵌入(LLE)等，从而取得了在降维统计学习模型中的巨大成功。在这些典型的特征变换方法中，PCA是一种无监督的线性降维方法，它的目标是通过某种线性投影，将高维数据映射到低维空间，并期望在所投影的维度上达到数据方差最大。LDA是一种有监督的线性降维算法，它通过寻找投影向量将数据降维，同时保证不同类别的数据尽可能的分开，同类的数据尽可能的聚合。因此，上述这些转换方法在将数据投射到新的子空间时都具备某些自身重要的特性。

与此同时，近年出现的稀疏表示分类方法(SRC)由于其简洁的理论结构和大量成功的应用实例，也引发了各国研究者的重点关注。SRC的目的在于，从大量不同对象构成的字典中选出少量的训练样本，来重构表示一个新的对象。为了实现这一目标，SRC在目标函数中使用l₁范式约束以获得稀疏向量。但在实际应用中，每类训练样本往往没有足够的甚至只有一个样本数据，导致SRC算法效果不佳，这就是著名的小样本问题。为此，一些字典学习方法被提出用来提高SRC的性能。例如，Deng通过构造类内变量字典提出一个扩展的SRC方法(ESRC)解决了单训练样本下的人脸表示优化问题。Yang和Zhu在协同表达分类(CRC)中引入特征的相似性与辨别性，获得一个更一般的模型。Song根据人脸表达分类模型设计出半脸字典集成算法，该方法在量化集成学习原子时，成功构造出双列(行)半脸的训练矩阵，这种虚拟人脸已被证实有利于人脸识别。

目前，关于SRC的研究主要集中在提高稀疏表示能力和分类性能两方面，对于如何解决稀疏分解过程中的降维优化问题以提高算法时间复杂度却少有研究。传统的SRC方法利用高维数据构造单一范式的优化模型进行图像分类，忽视了测试样本与训练样本间的信息冗余，导致不确定性的决策分类。

发明目的

在训练样本不足的情况下，针对传统表示学习优化方法在解决高维原始数据重构的过程中忽视样本间的信息冗余和缺乏鉴别性的问题，同时为避免利用l₁范式求解最小化问题所导致的极大时间开销等缺陷，提出一种快速协同表示人脸分类方法，该方法在建立数据降维模型后，通过设计基于混合范式的二次优化策略获得更加鲁棒的稀疏系数向量，从而加快优化速度，并提高人脸识别精度。

发明内容

技术方案：一种快速协同表示人脸分类方法，包括如下步骤：

(a)获取所有待检测人员脸部图像，且每个检测人员在不同光照、表情以及遮挡环境下都拍摄若干张图像，一个检测人员的所有脸部图像代表一类，从而将所有检测人员的脸部图像组合成为样本数据集；