[发明专利]一种基于联合稀疏模型和稀疏保持映射的人脸识别方法

说明书

技术领域

本发明属于生物识别技术、模式识别技术领域，具体涉及稀疏保持映射和联合稀疏模型方法。

背景技术

随着社会发展，各个领域对快速有效的自动身份验证的要求日益迫切，身份识别及验证在国家安全、公共安全和军事安全领域有着重要的应用价值。生物特征识别技术由于其具有很强的自身稳定性及个体差异性，已经成为生物识别领域最理想的依据。

近几年来，人脸识别作为计算机安全技术在全球范围内迅速发展起来，人脸识别技术越来越引起了广泛的关注。人脸识别技术应用背景十分广泛，可用于公安系统刑侦破案的罪犯身份识别，海关、机场和机密部门等的证件验证、银行及海关的监控、自动门卫系统、视频会议等方面。这诸多应用使人脸识别研究成为一项极有意义又极富挑战性的课题。

由于其具有广泛的应用性，人脸识别技术成为了近年来计算机视觉领域的研究热点之一，经过多年的发展，人脸识别技术取得了巨大的进步，先前的研究者们已经提出了一系列的人脸识别方法，如主分量分析（PCA），独立分量分析（ICA），线性判别分析（LDA）等。Wright等人人脸识别领域中又引入了稀疏表示的方法，提出了基于稀疏表示的分类算法（SRC）。该算法是把所有的训练人脸图像当作字典（每个人脸图像是一个原子）。测试人脸图像稀疏表示的过程就是找到其在这些字典元素上的线性组合。

目前已经有人提出了基于联合稀疏模型（Joint Sparsity models，JSM）的人脸识别方法，但存在识别率低的问题。

发明内容

本发明的目的在于针对已有技术存在的识别率低的问题，提供了一种基于联合稀疏模型和稀疏保持映射的人脸识别方法。

本发明是通过以下技术方案实现的：

基于联合稀疏模型和稀疏保持映射的人脸识别方法，其特征在于用所有的训练图像组成的变换基代替JSM算法中的常用的随机矩阵，利用JSM算法提取每类训练人脸图像的公有部分及私有部分（人脸库中的图像按人分类，同一个人的所有图像归为一类，公有部分表示了每类人脸图像共有的人脸特征，私有部分表示了人脸不同的表情、光照等细节变化），利用稀疏的公有及私有部分重构出的图像逼近原始训练图像，通过求解重构误差最小的最优化问题，求得降维矩阵。最后求得的降维矩阵对测试图像进行降维处理，并用降维后的训练图象的每一类的公有和私有重构出测试图像，重构误差最小的即判别为测试图像所属类别。其具体步骤如下：

步骤一、预处理

1.1）对人脸库中的所有图像进行归一化处理，归一化的操作是指先把图像统一大小为32×32灰度值矩阵，然后把灰度值矩阵的每一列顺序放在第一列的后边，得到大小为1024×1的灰度值矩阵，此后的所有操作都是在归一化后的图像灰度值矩阵基础上的；人脸库中包括不同人的不同表情图像，同一个人的不同图像归为一类，在每一类中取若干张作为训练图像，其余的图像作为测试图像；

步骤二、基于训练样本集的JSM特征提取

利用基于所有训练图像组成的变换基的联合稀疏模型JSM算法提取每一类训练图像在空间域上的公有部分和私有部分和，具体如下：

2.1）计算第k类训练图象的特征集W_k

W_k表示第k类的公有部分和私有部分的集合，W_k是一个矩阵，里边包含了第k类的公有和第k类中每一个训练图像的私有部分，公有部分表示了同一个人的人脸图像共有的人脸特征，私有部分和表示了同一个人的人脸不同的表情、光照等细节变化。

具体计算方法：先把所有类的训练图像运用主成分分析PCA算法进行预降维，得到降维后训练图像集g_k，其中，g_k,j表示第k个人中的第j个人脸图像的PCA特征，J_k是每一类中的训练图像个数。然后把降维后图像集g_k作为JSM算法的输入得到W_k，JSM算法如下：

gk=ψ~Wk]]>