[发明专利]一种图像像素缺失的人脸识别方法

说明书

本发明涉及一种图像像素缺失的人脸识别方法，包括以下步骤：步骤S1：对人脸图像数据进行预处理；步骤S2：结合低秩矩阵填充模型和低秩表示分类模型对待测样本集学习关于训练样本集的表示，同时对训练样本集的缺失项进行填充；步骤S3：基于最近邻子空间准则对待测样本进行分类，得到待测图像的类标签。本发明对存在缺失项的人脸图像基于低秩填充和低秩表示分类模型将填充过程和表示系数学习过程整合在同一个模型得到了更好的填充效果和识别性能。

技术领域

本发明涉及人脸识别领域，特别是一种图像像素缺失的人脸识别方法。

背景技术

随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。与其他识别方法相比，人脸识别由于具有易于获取的特点，较为用户所接受，从而得到了广泛的研究与应用。

尽管人脸识别技术已经日趋成熟，但是影响人脸识别效果的原因仍然存在，主要有：1)人脸图像的获取过程中存在不确定性(如光照方向、光照强度等)；2)人脸模式的多样性(如胡须、发型、遮挡物等)3)人脸图像的可塑性(如表情等)。基于表示原理的人脸识别方法往往得到很好地识别效果，但是对于缺失数据的人脸图像识别性能大大降低，这里我们考虑对于获取的实验库中的人脸图像存在缺失项时，现有基于表示原理的识别技术通常是对缺失人脸图像应用一些技术(如低秩)进行填充，再利用填充后的人脸图像作为训练样本进行人脸识别。

这样的人脸识别分析存在如下缺陷：由于填充过程利用已知项去构造未知像素，在缺失率较大的时候会造成填充误差很大，而且由于填充过程和待测样本表示学习是分开的，这一做法只考虑了样本来自于同一子空间，而且缺失数据的低秩表示分类在数据填充和表示学习过程中有着一定的内在联系。

发明内容

有鉴于此，本发明的目的是提出一种图像像素缺失的人脸识别方法，对存在缺失项的人脸图像基于低秩填充和低秩表示分类模型将填充过程和表示系数学习过程整合在同一个模型得到了更好的填充效果和识别性能。

本发明采用以下方案实现：一种图像像素缺失的人脸识别方法，具体包括以下步骤：

步骤S1：对人脸图像数据进行预处理；

步骤S2：结合低秩矩阵填充模型和低秩表示分类模型对待测样本集学习关于训练样本集的表示，同时对训练样本集的缺失项进行填充；

步骤S3：基于最近邻子空间准则对待测样本进行分类，得到待测图像的类标签。

进一步地，步骤S1具体包括以下步骤：

步骤S11：对采集到的人脸图像进行一致性灰度处理，得到灰度图像矩阵；

步骤S12：将每一个灰度图像矩阵向量化，并对向量化后的图像采用二范数进行标准化处理，以使得将不同的图像向量转换到同一个量纲范围；同时对于有缺失项的人脸图像像素，采用零元素对其进行代替。

进一步地，步骤S2具体包括以下步骤：

步骤S21：建立低秩矩阵填充模型，如下：

式中，约束s.t.P_Ω(X)＝P_Ω(M)表示保持已知观测项不变，在求解上式时只对缺失项数据进行预测；M∈R^d×n表示一个不完整数据集，它的观测项为{M_ij,(i,j)∈Ω}，Ω表示观测元素在矩阵中的位置；矩阵填充就是恢复或者预测X中的缺失项；P_Ω(·)表示在Ω中的对应的矩阵元素；

步骤S22：建立低秩表示分类模型，如下：