[发明专利]一种基于低秩字典学习算法的人脸识别方法

说明书

本发明涉及一种基于低秩字典学习算法的人脸识别方法，其特征在于包括以下步骤：一，输入训练人脸图像并利用K‑SVD算法构造profiles的Fisher判别约束项；二，构建对人脸图像测试样本的分类模型，以测试人脸图像的类标；三，采集并把待识别的人脸图像的数据输入到分类模型上；最后分类模型输出测试人脸图像的类标，进而对人脸进行识别。该方法不但提高了人脸识别的判别性能，而且降低了算法的复杂度，从而提高了人脸识别系统的效果。

技术领域

本发明涉及一种基于低秩字典学习算法的人脸识别方法。

背景技术

profiles是编码系数矩阵的行向量，其与原子是一一对应关系，并能反映对应原子在字典学习过程中被使用的情况。目前字典学习算法常利用编码系数与训练样本特征构造约束项，但人脸图像易受光照、姿态和遮挡等因素的影响，使得编码系数易受污染，影响直接利用人脸图像和编码系数构造约束项的鲁棒性，降低基于字典学习的人脸识别系统的分类性能。

发明内容

本发明针对现有技术的不足，提供一种基于低秩字典学习算法的人脸识别方法。该方法不但提高了人脸识别的判别性能，而且降低了算法的复杂度，从而提高了人脸识别系统的效果。

为了达到上述目的，本发明一种基于低秩字典学习算法的人脸识别方法，主要包括以下步骤：

第一步，输入训练人脸图像并利用K-SVD算法构造profiles的Fisher判别约束项；

第二步，构建对人脸图像测试样本的分类模型，以测试人脸图像的类标；

第三步，采集并把待识别的人脸图像的数据输入到分类模型上；

最后，分类模型输出测试人脸图像的类标，进而对人脸进行识别。

优选地，所述第一步输入训练人脸图像并利用K-SVD算法为每类人脸图像学习一个特定类字典并获得初始化字典和编码系数，从而获得字典的类标矩阵，进而构造profiles的Fisher判别约束项。

优选地，所述第二步是在第一步构造profiles的Fisher判别约束项的基础上构建目标函数并对目标函数进行求解，以利用每类训练样本对应的编码系数来计算每类编码系数的平均值。

优选地，所述第三步所述输入人脸图像数据的方式为利用字典对人脸图像进行稀疏表示，并获得表示系数，以输入到分类模型上。

本发明利用Profiles与原子间的一一对应关系，设计Profiles的Fisher判别准则，使得同类原子对应Profiles的类内散度尽可能地小，不同类原子对应Profiles的类间散度尽可能地大，增强编码系数的判别性能。而且，本发明对编码系数进行低秩约束，减少了训练人脸样本中噪声的影响，增强了编码系数矩阵的判别性能，从而提高基于字典学习的人脸识别系统的分类性能。此外，本发明利用l₂₁范数对误差项和编码系数进行约束，使得目标函数可以直接求导，降低了算法的复杂度，提高了人脸识别系统的效率。

附图说明

图1为本发明的流程示意图。

具体实施方式

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

参照图1，本发明一种基于低秩字典学习算法的人脸识别方法，主要包括以下步骤：

第一步，输入训练人脸图像并利用K-SVD算法构造profiles的Fisher判别约束项；

第二步，构建对人脸图像测试样本的分类模型，以测试人脸图像的类标；

第三步，采集并把待识别的人脸图像的数据输入到分类模型上；

最后，分类模型输出测试人脸图像的类标，进而对人脸进行识别。