[发明专利]一种基于联合稀疏判别分析的人脸识别方法及其系统

说明书

本发明适用于计算机视觉技术改进领域，提供了一种基于联合稀疏判别分析的人脸识别方法,包括：A、建立存储已知身份的人脸训练图像的数据库；B、对待检测身份的人脸检测和数据采集并建立带认证的人脸数据库；C、对待认证的人脸数据与训练数据进行特证提取并构建基于联合稀疏表示的判别分析模型；D、利用步骤C中特征提取后的训练数据与待认证的数据，并结合对应的标签信息，使用最近邻分类器进行判别分析计算人脸识别的结果。采用基于联合稀疏判别分析来对待认证人脸图片进行识别，提高了认证准确度，有效提高待认证人脸在光照、角度、表情、伪装及姿态等方面存在多种变化的情况下的识别鲁棒性。

技术领域

本发明属于计算机视觉技术改进领域，尤其涉及一种基于联合稀疏判别分析的人脸识别方法及其系统。

背景技术

近年来，随着社会经济的发展，人类生活的水平越来越高。人们在享受高科技产品带来对传统生活方式的巨大变革的同时，不断探索更智能、更人性化的生活方式。“互联网+”、“智慧城市”等创新概念在科技发展潮流中应运而生，国家、政府、企业等都非常重视人工智能的建设。目前，计算机视觉领域技术的发展为社会做出了巨大贡献。如指纹识别、人脸识别等技术在出入境身份验证、银行或海关的监控、自动认证系统方面得到了广泛的应用。

迄今为止，许多人脸识别方法已经出现并在计算机视觉领域中颇见成效。经典的降维方法包括主成分分析(PCA)、线性判别分析(LDA)等。为了增强特征提取的能力，提高人脸识别的精度，研究人员们提出了许多稀疏表示的方法，其中尤为著名的有稀疏主成分分析(SPCA)、稀疏判别分析(SDA)等。稀疏表示的核心思想是将待认证样本图像表示为训练样本图像的稀疏线性组合，继而从稀疏的角度获得对图像最紧凑的表示。基于L2范数的方法常常对噪点过于敏感，而在稀疏表示中采用L1范数代替L2范数能缓解这个问题。但是，以L1范数作正则项的方法并不具备联合稀疏特性(Joint Sparsity)。在特征提取中，联合稀疏特性能使求解的最优投影矩阵中的某些行的元素都为0，即通过计算使得投影矩阵中权重较小的整行元素都为0，从而凸显了权重较大的其他元素。

在实际应用中，用户期待人脸识别系统具有较好的鲁棒性，即系统能够在非理想情况，包括光照、角度、表情、伪装及姿态的多变化下，仍能获得较理想的识别效果。而目前大多数人脸识别方法并不能够保证系统在复杂情况下的鲁棒性。

发明内容

本发明的目的在于提供一种基于联合稀疏判别分析的人脸识别方法，旨在解决人脸在光照、角度、表情、伪装及姿态等方面存在多种变化的情况下，人脸识别系统识别率不理想的技术问题。

本发明是这样实现的，一种基于联合稀疏判别分析的人脸识别方法，该方法用于处理人脸图片矩阵X＝[x₁，x₂，...，x_n]∈R^d×n，其中n为训练样本个数，d为每个样本图片的尺寸；通过将原始的高维数据投影到低维投影矩阵B∈R^d×k(k是降维后的图像尺寸，k≤d)以实现降维与特征提取，所述人脸识别方法包括以下步骤：

A、建立存储已知身份的人脸训练图像的数据库；

B、对待检测身份的人脸检测和数据采集并建立带认证的人脸数据库；

C、对待认证的人脸数据与训练数据进行特证提取并构建基于联合稀疏表示的判别分析模型；

D、利用步骤C中特征提取后的训练数据与待认证的数据，并结合对应的标签信息，使用最近邻分类器进行判别分析计算人脸识别的结果。

本发明的进一步技术方案是：所述人脸训练图像的数据库的建立包括以下步骤：

A1、从人脸采集器上采集彩色或者黑白图片；

A2、对人脸数据库中的所有图片进行归一化处理；

A3、将所述图片按照原来比例转换成40*40的灰度图，并将所述灰度图转成二维矩阵。