[发明专利]一种基于人脸局部约束编码校准识别方法

说明书

本发明公开了一种基于人脸局部约束编码校准识别方法，包括：输入训练集，构建字典；获取失配准的待识别人脸图像作为测试样本；初始化误差权重；对测试样本图像进行基于加权重构误差的局部约束编码；更新校准结果；判断更新后的校准结果是否收敛或达到最大迭代次数；若收敛或达到最大迭代次数，则输出最终的校准结果，若不收敛或未达到最大迭代次数，则更新误差权重之后再次进行基于加权重构误差的局部约束编码，直至收敛或达到最大迭代次数。该方法对表示系数进行局部约束，并采用加权l₂范数的正则项约束重构误差，使得校准和识别结果更注重于非遮挡区域。该方法能适应不同的现实场景，对于遮挡和非遮挡场景都能快速完成人脸校准和识别。

技术领域

本发明涉及计算机视觉和模式识别技术领域，具体涉及一种基于人脸局部约束编码校准识别方法。

背景技术

近年来，人脸识别是计算机视觉和模式识别领域的热点研究问题之一，由于稀疏表示分类器(Sparse Representation-based classification,简称SRC)方法的提出，稀疏表示在理论和实践中有了较大突破，在分类效果和计算复杂度都有显著优势。实验证明基于稀疏表示的人脸识别算法比传统的人脸识别算法无论在识别率还是算法效率上都有很大的优势，因为稀疏表示人脸识别有个比较严格的限制条件，即必须经过人脸图像对齐，否则很难满足其稀疏性，所以人脸校准是人脸识别中较为关键的一步，而遮挡问题由于其多样性，成为人脸校准识别领域中的一个重点和难点问题。

过去的一些人脸校准算法在处理带遮挡的人脸校准问题时存在着一些问题，MRR需要SVD来提取全局字典的主成分来代替原字典，一方面，在字典规模很大的时候SVD既费时又耗内存，也在一定程度上影响了校准的准确度。MRLR算法考虑解决的是无遮挡情况下的人脸校准问题，所提出的基于分块矩阵的优化加速算法也依赖于无遮挡框架，因此无法很好的解决遮挡情况下的人脸校准问题。总的来说虽然已有的一些人类校准方法已经取得了较好的实验效果，但是由于人脸识别问题在现实场景中的复杂性，尤其在人脸被遮挡的情景下，MRR和MRLR算法仍然存在很多的局限性，导致人脸校准任务的失败。

通过观察实际生活中校准人脸的过程，可以发现，不同人之间的人脸相似性对于人脸校准的问题其实是有很大帮助的，人类在校准带遮挡的人脸时依赖大量的人脸数据形成的先验知识和经验，更多的是依靠人脸而非遮挡物，也就是关注重心更多的在于人脸，因此如果对像素加权，使得遮挡部分的像素点权重较小，更有利于人脸校准以及后续识别。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提出一种基于加权重构误差的局部约束编码人脸校准识别的方法，目的在于增强现有人脸校准识别技术的鲁棒性，更好的适应复杂的现实场景，提高人脸校准速度，更好地进行人脸识别。

本发明的目的可以通过采取如下技术方案达到：

一种基于人脸局部约束编码校准识别方法，所述的识别方法包括下列步骤：

S1、输入训练集，构建由g个人共n个的训练图像组成的字典：

其中A的每一列是一个经过调整得到的m维训练图像，A_i表示由第i个人的训练图像构成的子字典；

S2、获取失配准的待识别人脸图像y作为测试样本，其中，y为一个m＝w×h维的列向量，

S3、初始化重构误差e＝y-m_A，其中，m_A是所有训练人脸图像的平均脸，进而初始化误差权重矩阵W_t，误差权重矩阵W_t的第i个对角线元素通过下面式子求得：