[发明专利]一种稀疏混合字典学习的人脸鉴别方法

说明书

本发明公开了一种基于稀疏混合字典学习的特征提取方法并将其应用在人脸鉴别中，在一定程度上提高了人脸鉴别的准确性，本发明以费舍尔判别准则和拉普拉斯矩阵为约束，利用类别特色字典提取数据类别之间的特殊性，在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；然后利用类内差异字典提取类别共性，捕捉不同类别的相同特征，最后将类别特色字典与类内差异字典相结合。使用本发明在AR、CMU‑PIE、LFW等人脸数据库上进行实验，结果表明，该方法在少样本训练条件下可以获得更高识别精度。

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及图像特征提取与分类。

背景技术

随着计算机硬件技术革新以及软件技术的发展，人脸鉴别逐渐应用在经济工程、社会安全等不同领域。基于深度学习的人脸鉴别方法虽然识别率高，但它依赖于需要大量的数据样本、高昂的硬件定义备以及长达数天的训练时间。与其相比，基于稀疏表示的人脸鉴别训练简单、对于噪声有较强鲁棒性，近年来引起国内外学者广泛关注。

2009年，J.Wrigh等人提出基于稀疏表示的分类(Sparse Representation BasedClassification，SRC)。该方法基于光照模型，假定义任一测试样本都可由该类训练样本集重构表示，通过选取最小重构误差进行分类，第一次将稀疏表示方法引入到人脸鉴别领域。而后，众多学者在SRC基础上提出改进方法。Zhang等人将 SRC方法中约束项改为，提出CRC方法，在保证识别率的同时降低了求解稀疏编码的复杂度，使方法运行速度明显提升。Aharon等人依据误差最小原则，泛化K-means聚类，提出K-SVD方法，对误差项进行SVD分解。

以上几种方法中的字典均由训练数据直接构成，具有字典辨别性不足且对噪声较为敏感的缺点。针对字典辨别性，Sprechmann等人提出鉴别子字典思想，利用稀疏编码为每类数据构造对应的子字典。Jiang等人将标签一致性约束添加到 K-SVD方法中，提升字典的辨别力。

针对编码辨别性，Yang等人以Fisher准则为模型，提出FDDL方法，增强字典原子与训练标签之间的关联性，约束稀疏编码类间方差大、类内方差小。 2014年，Cai等人提出SVGDL方法，自适应地确定每个编码向量对的权重，在训练样本不充分时可以取得较好的分类效果。2018年，Zhou等人提出新样本扩充方法，Li等人将核方法引入协同近邻方法，增强稀疏编码的分类能力。

鉴别子字典虽然能有效提取类别之间的特殊性和差异性，但未考虑到不同类别之间的共性。2018年，Wang等人提出显著特征提取并构造共享字典，Li等人提出CSICVDL方法，利用辅助数据构造类内字典，捕捉不同类别间的相同特征。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述人脸鉴别过程中存在的需要大量数据样本、高昂硬件定义备以及长达数天的训练时间问题，提出了本发明。

因此，本发明提供了一种稀疏混合字典学习的人脸鉴别方法，可以在少样本训练条件下可以获得更高识别精度。