[发明专利]复杂环境下基于低秩分解和辅助字典的人脸识别方法

摘要

本发明公开一种复杂环境下基于低秩分解和辅助字典的人脸识别方法。本发明步骤如下：1.通过非凸稳健主成分分析法对输入人脸图片进行低秩分解，求解基于范数的目标函数，得到初步去除复杂环境影响的低秩内容；2.基于核范数的去相关性低秩分解：在目标函数中添加去除类间相关性的正则项，并将上一步骤获得的低秩内容进行奇异值分解后用作初始化矩阵，通过ADMM算法交替迭代求解得到用于识别的低秩字典。3.基于辅助字典学习的分类识别：获得模拟复杂环境变化的辅助字典，并通过与低秩字典联立使用，通过RADL进行人脸分类识别。本发明使用到的低秩分解目标函数能够充分去除干扰信息，使分解后的人脸图像更具有身份识别能力和抗环境干扰性。

主权项

1.复杂环境下基于低秩分解和辅助字典的人脸识别方法，其特征在于包括如下步骤：步骤S1：从数据库中选择具有表情变化、光照影响、面部遮挡等情况的人脸图片，通过非凸稳健主成分分析法进行处理，按人脸类别进行第一次低秩内容和稀疏内容的分解；步骤S2：在低秩分解中添加正则项，去除不同人脸类别间共同部分，保留图片内容结构；通过ADMM法求解相应的优化问题，获得用于分类的低秩字典；步骤S3：基于辅助字典学习的分类识别，具体地：挑选外部数据进行辅助字典学习，用于模拟复杂环境的干扰变化；将学习到的辅助字典与低秩字典联立，通过稀疏表示完成分类识别；步骤S1所述的分解步骤如下：第一次低秩分解的分解操作基于γ范数，即对矩阵经过分解的奇异值添加相应γ权值后求和,取γ值为0.01；初步获得去除复杂环境的第一次低秩分解矩阵；步骤S2所述的具体步骤如下：将每一幅输入的人脸图片列向量化获得矩阵X，然后通过映射矩阵Ni分解矩阵X，至由每一个特定类内容的线性正交子空间Mi；目标函数中添加正则项表示映射空间中每类互不相关；对步骤S1中获得的第一次低秩分解矩阵进行奇异值分解操作，分解得到的矩阵U作为初始化值赋与Mi和Ni；通过交替方向乘子法进行迭代优化求解，将每类的重建人脸图片串联获得去除复杂环境影响的重建字典D；步骤S3所述的具体步骤如下：选定数据库中未参与训练和测试的其他人脸图片作为辅助数据集；将辅助数据集划分为训练集和测试集，并通过学习得到用于模拟复杂环境的辅助字典A；将辅助字典A与步骤S2中得到的重建字典D联立，通过加权重建残差模型分类得到测试图片的识别类别。