[发明专利]一种基于联合表示分类的集体人脸识别方法

说明书

本发明公开一种基于联合表示分类的人脸集识别方法，主要解决传统方法不能考虑样本间的相关关系及每次只能编码和识别一张人脸图像的问题；其具体步骤为：(1)预处理训练和测试人脸图像集；(2)给定参数及变量初始化；(3)求解模型极小化问题获得编码矩阵；(4)计算表示误差并分类测试人脸集；本发明考虑了不同样本之间的相关性，将传统人脸表示的向量编码扩展为矩阵编码，使之一次能够同时编码和识别多张人脸图像集，显著降低了算法时间和计算复杂度并提高了人脸识别率，更利于大规模人脸识别或检索及其并行化。

技术领域

本发明涉及人脸识别技术领域，是一种基于联合表示分类的人脸集识别方法。

背景技术

最近几年，人脸识别技术作为一种非接触的和获取对象简便的识别手段，在安保、刑侦、考勤和金融等领域具有广泛应用前景。其中基于表示分类的人脸识别技术也越来越受到人们的欢迎。其主要思想可以归结如下两步：(1)用所有训练样本的线性组合编码表示每一个测试样本；(2)然后测算并得到一个最小表示误差以分类测试样本。Wright等人在文献“Robust face recognition via spare representation”([J].IEEE Trans.PAMI，2009，(31)(2)：210-227.)中提出一种基于稀疏表示分类(Sparse representation basedclassification，SRC)的人脸识别方法，该方法能有效的提取训练样本集最重要的表示特征，并直接利用此稀疏编码表示来分类每一个测试样本。该方法的实验结果表明SRC方法在人脸识别方面能获得一种很大提高，并促进了图像分类的应用。然而，张等人在文献“Sparse representation or collaborative representation：which help facerecognition”([C].13^th International Conference on Computer Vision，2011，pp.471-478.)中表示SRC方法过于强调其l₁-范数的稀疏性而忽略了整个合作表示的影响。因此，他们提出一种带规则化最小二乘的基于合作表示分类的方法(Collaborativerepresentation based classification with regularized least square，CRC-RLS)用于人脸识别。由于该方法的平滑性，使得识别问题更易于求解。此外，支持向量机(SupportVector Machine，SVM)方法以结构化风险最小化为原则，以获得正确区分不同样本且具有最大分类余地的最优分类超平面为目的，这样既有效的防止过度拟合现象发生，又降低寻求最优分类函数的计算量。

但是，以上这些基于向量编码表示的传统人脸识别方法，包含如下一些不足：(1)对于测试样本，都必须是每一个样本单独做一次编码表示并分类识别。然而，实际中人脸识别应用，其大规模的训练样本都是从视频流或相册集中收集图像样本；且一般都是一系列测试图像集而非单张测试样本用来人脸识别分类。因而基于向量编码表示分类的方法并不能有效的工作。(2)对所有测试样本而言，都是单独一个测试样本做一次编码表示，而忽略了隐藏在所有测试样本集中不同样本间的相关关系。从而导致不同样本之间的差别性和相似性被完全忽略。我们知道人脸图像集共享一些相似的特征范式，比如图像样本中眼睛或嘴边明显要比前额或脸颊更具有区分力度，这是一种常识性的相关关系。(3)尽管l₂-范数比l₁-范数更具平滑性，但是有文献表明分数范数具有更优的稀疏性。(4)不同的传统识别方法，必须由不同的算法去求解不同的优化问题，它们没有一种统一的表示和求解方法。