[发明专利]一种稀疏混合字典学习的人脸鉴别方法

权利要求书

1.一种稀疏混合字典学习的人脸鉴别方法，其特征在于：包括以下步骤，

获取人脸图片进行下采样和降维作为训练样本集；

以费舍尔判别准则和拉普拉斯矩阵为约束构建类别特色字典模型；

利用所述类别特色字典模型，为每类样本单独学习一个子字典，从而提取所述训练样本集类别间的特殊性，保留稀疏编码数据相似性的同时减小类内编码离散度，增大类间编码离散度；

构建类内差异字典模型，为所有样本共同学习一个字典，从而并提取所述训练样本集类别共性，捕捉不同类别的相同特征；

将类别特色字典模型与类内差异字典模型分别习得的字典组合成新字典，保留类别特色字典稀疏编码，得到稀疏混合字典模型；

待识别人脸图像数据输入所述稀疏混合字典模型内进行残差计算，根据每类人脸图像的最小残差值完成识别，经过分类器得到分类标签。

2.如权利要求1所述的稀疏混合字典学习的人脸鉴别方法，其特征在于：包括所述类别特色字典模型的训练步骤，

定义训练样本集A：A＝{A₁,A₂,…,A_K}∈R^m×N，其中，A的每列表示一个m维向量，为第i类训练数据，为训练样本总数；

将训练数据A＝{A₁,A₂,…,A_K}的特征向量初始化为字典的原子，对所述类别字典D的每一类归一化，使其l₂范数为1；

固定所述类别字典D，更新稀疏系数X；

固定所述稀疏系数X，更新所述类别字典D；

重复循环两次更新，直到前后两次的函数的值达到阈值或者达到最大迭代次数为止。

3.如权利要求1或2所述的稀疏混合字典学习的人脸鉴别方法，其特征在于：包括所述类内差异字典模型的训练步骤，

定义标准数据N、变化数据X和初始化类内字典D_S；

固定字典D_S，更新稀疏系数α_i,β_i；

固定稀疏系数α_i,β_i，更新字典D_S；

重复循环两次更新，直到前后两次的函数的值达到阈值或者达到最大迭代次数为止。

4.如权利要求3所述稀疏混合字典学习的人脸鉴别方法，其特征在于包括以下步骤，

利用训练得到的所述类别字典D和类内字典D_S结合得到所述稀疏混合字典；

所述待识别人脸图像数据输入所述稀疏混合字典计算每类人脸图像的最小残差值；

所述最小残差值输入分类器内得到对应识别的分类标签。

5.如权利要求4所述的稀疏混合字典学习的人脸鉴别方法，其特征在于：提出所述类别特色字典模型的函数如下，

其中，A_i表示第i类训练样本，D表示整体字典，D_i表示第i类字典，X_i表示被字典重构的稀疏系数，表示被字典D_i重构的稀疏系数。