[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

说明书

本发明公开一种复杂环境下基于低秩分解和辅助字典的人脸识别方法。本发明步骤如下：1.通过非凸稳健主成分分析法对输入人脸图片进行低秩分解，求解基于范数的目标函数，得到初步去除复杂环境影响的低秩内容；2.基于核范数的去相关性低秩分解：在目标函数中添加去除类间相关性的正则项，并将上一步骤获得的低秩内容进行奇异值分解后用作初始化矩阵，通过ADMM算法交替迭代求解得到用于识别的低秩字典。3.基于辅助字典学习的分类识别：获得模拟复杂环境变化的辅助字典，并通过与低秩字典联立使用，通过RADL进行人脸分类识别。本发明使用到的低秩分解目标函数能够充分去除干扰信息，使分解后的人脸图像更具有身份识别能力和抗环境干扰性。

技术领域

本发明属于计算机图像处理技术领域，涉及一种复杂环境下基于低秩分解和辅助字典的人脸识别方法。

背景技术

人脸图片总是包含着丰富的面部信息，近几年来，对于人脸图片的处理和研究也涵盖应用生活的方方面面。在人工智能、模式识别和图像处理等领域，人脸识别占据一席之地，是经典算法和先进技术的研究热点。目前许多人脸识别的研究方法均是在无遮挡或无光照变化等良好的环境条件下进行。在真实环境中，我们常常要对有遮挡、噪声和光照、表情等变化的人脸图片进行处理。因此，当处理在复杂环境下采集的数据时，许多人脸识别技术的鲁棒性和识别率就会有所下降。

在当前的机器学习和数据挖掘等应用中，人脸识别多采用在姿态、表情和光照等变化下提取面部的有鉴别性的特征来训练分类器并进行识别分类。为了达到这一目的，许多高效的子空间分析算法被提出，例如Eigenfaces、Fisherfaces、Laplacianfaces等等，这些经典算法都能够在人脸识别领域取得较好的识别效果。许多特征提取方法被用于提取人脸面部特征，其中局部二值模式(LBP)、小波变换(Gabor)以及空间金字塔匹配(SPM)等算法为代表进行面部特征描述。

在上述提到的算法中，许多算法对于数据中的变化、污染和噪声等干扰不具有鲁棒性，容易受到噪声的影响。本发明旨在克服复杂环境变化和训练样本不足等两个方面问题，提出了在污染环境下具有高效性和鲁棒性的人脸识别方法。

发明内容

本发明的目的主要针对当前复杂环境下人脸识别准确率不高、鲁棒性较差、识别速度较慢等不足，提出了具有高识别率、高鲁棒性和高效性的人脸识别方法。

本发明的人脸识别方法包含更加完备的低秩分解技术、辅助字典学习方法以及分类识别技术。

低秩分解技术主要分别使用非凸稳健主成分分析法和基于核范数的去相关性低秩分解方法。去除光照、表情和遮挡等稀疏的干扰内容，进而提取出人脸的中立脸信息。通过低秩分解学习得到一个能够充分表示图像的内在结构信息和本质属性的过完备的字典，并尽可能稀疏的表示数据。

本发明是基于低秩分解和辅助字典学习的人脸识别方法，其步骤如下：

步骤S1：从数据库中选择具有表情变化、光照影响、面部遮挡等情况的人脸图片，通过非凸稳健主成分分析法(nonconvex-RPCA)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。

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；

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如五官等内容的相关性，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：