[发明专利]鲁棒的人脸图像主成分特征提取方法及识别装置

摘要

本发明公开了鲁棒人脸图像主成分特征提取方法及识别装置，通过同时考虑人脸图像训练样本数据的低秩与稀疏特性，将经过一个投影嵌入的主成分特征直接进行低秩和L1‑范数最小化，编码得到一个描述性强的鲁棒投影P，直接提取人脸图像的联合低秩与稀疏主成分特征，同时可完成图像纠错处理；利用鲁棒投影模型的训练样本的嵌入主成分特征，通过额外一个分类错误最小化问题得到一个线性多类分类器W^*，用于人脸测试图像的归类；在处理测试样本时，利用线性矩阵P提取其联合特征，进而利用分类器W^*进行归类；通过引入低秩恢复和稀疏描述的思想，可编码得到描述性更强的人脸图像主成分特征，可去除噪音，有效提高了人脸识别的效果。

主权项

1.一种鲁棒的人脸图像主成分特征提取方法，其特征在于，基于低秩矩阵恢复和稀疏描述的方法，包括：通过同时考虑人脸图像训练样本数据的低秩与稀疏特性，将经过一个投影嵌入的主成分特征直接进行低秩和L1‑范数最小化，编码得到一个描述性强的鲁棒投影P以及稀疏错误矩阵E，利用鲁棒投影P直接提取人脸图像的联合低秩与稀疏主成分特征，同时利用稀疏错误矩阵E可完成图像纠错处理；利用所述鲁棒投影矩阵P，得到m个训练样本的联合低秩与稀疏主成分特征；将每个训练样本的联合低秩与稀疏主成分特征输入多元岭回归模型进行分类器学习，通过优化得到一个线性多类分类器W^*，W^*＝(PXX^TP^T+I_n)^‑1PXH^T；其中，H＝[h₁,h₂,...,h_m]∈R^c×m是所有训练样本的初始标签，c是所有训练样本类别数，h_j代表训练样本x_j的标签，若x_j的标签为i，1≤i≤c，则h_i,j＝1，h_j中其他元素h_i,j均为0，用于人脸测试图像的归类；其中，W为初始线性多类分类器；在处理测试样本时，利用鲁棒投影P提取测试样本的联合低秩与稀疏主成分特征，利用线性多类分类器W*进行归类，根据得到的软标签中的概率最大值对应的位置，得到人脸图像识别结果。