[发明专利]复杂环境下基于低秩分解和辅助字典的人脸识别方法

权利要求书

1.复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于包括如下步骤：

步骤S1：从数据库中选择具有表情变化、光照影响、面部遮挡情况的人脸图片，通过非凸稳健主成分分析法进行处理，按人脸类别进行第一次低秩内容和稀疏内容的分解；

步骤S2：在低秩分解中添加正则项，去除不同人脸类别间共同部分，保留图片内容结构；通过ADMM法求解相应的优化问题，获得用于分类的低秩字典；

步骤S3：基于辅助字典学习的分类识别，具体地：挑选外部数据进行辅助字典学习，用于模拟复杂环境的干扰变化；将学习到的辅助字典与低秩字典联立，通过稀疏表示完成分类识别；

步骤S1所述的分解步骤如下：

第一次低秩分解的分解操作基于γ范数，即对矩阵经过分解的奇异值添加相应γ权值后求和,取γ值为0.01；初步获得去除复杂环境的第一次低秩分解矩阵；

步骤S2所述的具体步骤如下：

将每一幅输入的人脸图片列向量化获得矩阵X，然后通过映射矩阵N_i分解矩阵X，至由每一个人脸类别内容的线性正交子空间M_i；目标函数中添加正则项表示映射空间中每类互不相关；对步骤S1中获得的第一次低秩分解矩阵进行奇异值分解操作，分解得到的矩阵U作为初始化值赋与M_i和N_i；通过交替方向乘子法进行迭代优化求解，将每类的重建人脸图片串联获得去除复杂环境影响的重建字典D；

步骤S3所述的具体步骤如下：

选定数据库中未参与训练和测试的其他人脸图片作为辅助数据集；将辅助数据集划分为训练集和测试集，并通过学习得到用于模拟复杂环境的辅助字典A；将辅助字典A与步骤S2中得到的重建字典D联立，通过加权重建残差模型分类得到测试图片的识别类别。

2.根据权利要求1所述的复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于选用AR人脸数据库和Cohn-Kanade+数据库作为人脸身份学习训练和测试的数据库。

3.根据权利要求2所述的复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于步骤S1，具体实现如下：

采集人脸数据库中的K类人脸图片作为训练数据，将训练数据记为人脸训练矩阵X＝[X₁,X₂,…,X_K]，其中每一类的人脸图片矩阵为列向量化的测试图片

选取矩阵范数γ范数，对采集到的人脸训练矩阵X＝[X₁,X₂,…,X_K]使用非凸稳健主成分分析法进行低秩分解；γ范数定义如下：

式中，σ_i(Z)为矩阵Z的奇异值；当γ趋于0时，有当γ趋于无穷大时为核范数，即

第一次低秩分解模型为：

将人脸训练矩阵X＝[X₁,X₂,…,X_K]分解为低秩内容矩阵Z和相关的稀疏内容矩阵E；

根据非凸低秩分解初步获得去除了部分遮挡、光照和表情变化的初始化低秩矩阵；

所述的人脸类别是将多张图片中属于同一个人的图片归为一类。