[发明专利]一种结构不相干投影字典对学习的人脸识别方法及系统

说明书

本发明涉及字典学习技术领域，目的是提供一种结构不相干投影字典对学习的人脸识别方法，包括以下步骤：S1：设置参数，建立结构不相干投影字典模型，执行S2；S2：输入训练样本，优化不相干投影字典模型，执行S3；S3：输入待识别人脸图像至不相干投影字典模型，提取待识别人脸图像的特征，执行S4；S4：不相干投影字典模型根据待识别人脸图像的特征计算待识别人脸图像的人脸特征的编码系数矩阵，执行S5；S5：不相干投影字典模型根据编码系数矩阵及其对应的类别标签信息一起输入分类器，得到最终分类结果。本发明具有保证人脸识别的精度的同时提高人脸识别速度的优点。

技术领域

本发明涉及字典学习技术领域，具体涉及一种结构不相干投影字典对学习的人脸识别方法及系统。

背景技术

字典学习是一个跨学科的研究领域，涉及到信号处理、统计学、压缩感知等领域理论，应用范围十分广泛。近年来，研究表明字典学习能利用样本标签信息监督学习得到数据的紧凑表示，适用于图像分类任务，从而被广泛应用于人脸识别、目标检测等机器视觉与模式识别领域，成为了研究的热点之一。

字典学习分类方法主要有两种，一是直接学习具有判别力的字典，通过表示误差进行分类判别；二是稀疏化系数作为新特征分类，间接获得具有判别力的字典。2009年，Wright等人提出了基于稀疏表示的人脸识别算法(SRC)，通过重构与稀疏编码实现图像分类，首次实现字典学习，在处理速度上有较大突破，但性能受字典冗余和噪声等影响较大。Jiang等人提出了标签一致K均值奇异值分解算法(LC-KSVD)，引入二进制类标签稀疏编码矩阵诱导同类样本具有相同稀疏编码。Yang等人提出了Fisher判别词典学习算法(FDDL)将Fisher准则稀疏编码应用于表示残差与系数，实现Fishenr判别约束。Ramirez[10]等人提出了结构不相干字典学习算法(DLSI)，引入不连贯项约束，使得重构误差时，忽略与公共原子相关系数的绝对值，提高系统判别能力。这类字典学习算法采用L₀或L₁范数最小化求解具有判别性的编码稀疏系数矩阵，在训练和测试时都需要进行稀疏编码，计算量大，时间复杂度高；同时，不同类别的子字典的原子存在共享原子，具有相干性，其受公共原子数目的影响较大，重构测试图像时的原子相互代替，导致利用重构误差进行分类时精度严重下降，直接影响着算法的判别能力。

发明内容

本发明目的在于提供一种结构不相干投影字典对学习的人脸识别方法及系统，利用综合字典解析样本，分析字典重构样本，无需L₀、L₁范数稀疏正则化，具有保证人脸识别的精度的同时提高人脸识别速度的优点。

为实现上述目的，本发明所采用的技术方案是：一种结构不相干投影字典对学习的人脸识别方法，包括以下步骤：

S1：设置参数，建立结构不相干投影字典模型，执行S2；

S2：输入训练样本，优化不相干投影字典模型，执行S3；

S3：输入待识别人脸图像至不相干投影字典模型，提取待识别人脸图像的特征，执行S4；

S4：不相干投影字典模型根据待识别人脸图像的特征计算待识别人脸图像的人脸特征的编码系数矩阵，执行S5；

S5：不相干投影字典模型根据编码系数矩阵及其对应的类别标签信息一起输入分类器，得到最终分类结果。

优选的，所述S1包括以下步骤：

S11：建立初始化投影字典模型，执行S12；

S12：引入辅助变量矩阵A至初始化投影字典模型，建立结构不相干投影字典模型。

优选的，所述初始化投影字典模型表达式为