[发明专利]一种稀疏协同联合表示模式识别方法

说明书

本发明提出了一种稀疏协同联合表示模式识别方法，用于解决在小样本且同类样本间个体差异较大的情况下TPTSR的第二阶段无法有效解决非均衡训练集的技术问题。其步骤为：首先，对人脸数据库中的图像进行预处理，得到训练样本和测试样本；其次，采用基于协同表示的搜索方法获取测试样本的K‑近邻训练样本；再将K‑近邻训练样本进行扩增后与训练样本、测试样本相结合，构建稀疏协同联合表示模型；最后，对稀疏协同联合表示模型进行求解，得到稀疏协同联合表示模型的最优表示系数向量，并根据最优表示系数向量计算测试样本的类别。本发明能够有效解决TPTSR无法在第二阶段的非均衡训练集上良好工作的问题，从而进一步提高了分类准确率、防止过拟合。

技术领域

本发明涉及小样本且同类样本间个体差异较大的人脸识别技术领域，特别是指一种稀疏协同联合表示模式识别方法。

背景技术

作为身份验证的重要技术，人脸识别已成为智慧城市、智慧家庭、智慧建筑等物联网系统中必不可少的一部分。很多已有的方法如深度学习、极限学习机等在图像数据量足够大时具有出色的性能。尽管物联网技术极大地促进了海量图像数据的收集，但在某些安全和犯罪相关的场景中，物联网设备捕获的目标中的面部样本可能很少(即样本不足)。并且，由于背景(光照和姿势)和面部伪装(化妆、围巾、眼镜)等因素的影响捕获的同类样本间会存在很大的差异。针对这些数目少且同类样本间个体差异大的训练样本，大量方法存在小样本过拟合、识别准确率偏低等缺陷。因此，在图像样本量较少且同类样本间个体差异较大的情况下执行精准的人脸识别具有很大的挑战。

目前已有的基于表示的分类器，其代表性方法稀疏表示(Sparse representationbased classifier,SRC)和协同表示分类器(Collaborative representation basedclassifier,CRC)在处理小样本的人脸识别问题上具有很大的优势。但对于同类样本间个体差异性较大的样本集识别准确率仍然偏低。近期提出的改进算法两阶段稀疏表示方法(Two-phase test sample sparse representation，TPTSR)在小样本和个体差异性较大的样本集上虽具有出色表现，但仍存在不足之处。它的第一阶段没有充分考虑样本的差异性带来的新选出训练样本集的非均衡问题，而第二阶段建立的模型在这个非均衡的训练集上不能足够有效地工作。所以TPTSR的识别性能尚无法达到期望的结果。

发明内容

针对上述背景技术中存在的缺陷，本发明提出了一种稀疏协同联合表示(Jointsparse-collaborative representation classification,JSCRC)模式识别方法，解决了在小样本且同类样本间个体差异较大的情况下TPTSR的第二阶段无法有效解决非均衡训练集的技术问题。

本发明的技术方案是这样实现的：

一种稀疏协同联合表示模式识别方法，其步骤如下：

步骤一、对总类别数目为J的人脸数据库中的图像进行预处理，得到J类训练样本和J类测试样本；

步骤二、采用基于协同表示的搜索方法获取测试样本的K-近邻训练样本；

步骤三、将步骤二中的K-近邻训练样本进行扩增后与训练样本、测试样本相结合，构建稀疏协同联合表示模型；

步骤四、对稀疏协同联合表示模型进行求解，得到稀疏协同联合表示模型的最优表示系数向量，并根据最优表示系数向量计算测试样本的类别。

所述对总类别数目为J的人脸数据库中的图像进行预处理，得到J类训练样本和J类测试样本的方法为：

S11、在人脸数据库中随机选择L幅图像作为第一次训练样本，人脸数据库中剩余的图像作为第一次测试样本；在人脸数据库中随机选取10次，得到10组J类第一次训练样本和第一次测试样本；

S12、分别将第一次训练样本和第一次测试样本转化为列向量数据，得到第二次训练样本和第二次测试样本；