[发明专利]一种基于分块协同表示的人脸识别方法

说明书

本发明为一种基于分块协同表示的人脸识别方法。在实际应用中，人脸图像的信息缺失（如像素信息缺失、腐蚀块和遮挡）会影响图像的像素值，从而影响人脸识别的效果。本发明先将人脸图像库中的图像分为训练集和测试集，并寻找最佳分块方式对其图像进行分块处理，将训练样本分块后的图像构造子块字典；然后采用子块的协同表示(Cooperative representation，CR)将由人脸图像信息缺失所产生的误差与原图像分离，可有效降低缺失信息图像人脸识别结果的影响；再然后对各子块获得的稀疏稀疏进行分类；最后基于最大投票准则获取最终识别结果，可有效降低由于一个或多个子块特征求得的最小系数误差较大所导致的无效分类对整张图像识别结果产生的影响，提高识别率。

技术领域

本发明涉及人脸图像的信息缺失条件下的人脸识别领域，特别是涉及一种基于分块协同表示的人脸识别方法。

背景技术

随着计算机视觉技术的逐渐发展和人机交互需求的逐步增加，人脸识别方法逐渐被普及到手机解锁、安全支付和智能门锁等领域，然而这些领域采集到的人脸图像往往存在人脸信息部分缺失的问题。早期发展成熟的人脸识别方法会因人脸信息缺失等问题导致识别效果较差，因此部分人脸信息缺失条件下的人脸识别方法的研究仍存在重要的意义和巨大的挑战。已存在的研究主要分为鲁棒判别模型法、子空间回归和鲁棒误差编码这三类。

基于协同表示的人脸识别(Cooperative representation classification，CRC)曾在图像重建领域取得高水准的效果。CRC利用多个相似的类来共同表示测试样本，哪个类存在最小的重建误差，则表示贡献最大，从而提高表示的精确度，但CRC分类为“非局部”的分类，大量的研究工作表明局部特征提取对有遮挡人脸图像识别是至关重要的。Chan将深度学习与分块协同表示相结合提出了一个简单的基于 CR的人脸识别方法(The facerecognition method based on CR,FRACR)，首先对输入的人脸图像进行深度学习来提取抽象局部特征，再输入CRC，以此弥补CRC不能提取局部特征的问题。但上述方法的识别率还有待提高。

发明内容

本发明针对信息缺失情况下，误差编码的鲁棒性、局部特征提取的关键性和人脸识别的小样本问题，提供一种基于分块协同表示的人脸识别方法(The face recognitionmethod based on partitioning CR,FRAPCR)，其主要解决的问题是提高信息缺失条件下的人脸识别率。

本发明未解决上述问题提出了一种基于分块协同表示的人脸识别方法，采用的具体方案步骤如下。

S1、获取人脸图像：从人脸图像库中下载人脸图像。

S2、将一组人脸数据库中的人脸图像分为训练集和测试集，图像的训练集Θ＝{X₁,...,X_i,...,X_c}，测试集Φ＝{Y₁,...,Y_i,...,Y_c}，c为人脸库中人脸的总类别数；X_i表示第i类的训练样本，Y_i表示第i类的测试样本。

S3、寻找各个人脸库的最佳分块方式，并对其训练集人脸样本图像进行分块处理。假设Θ＝{Θ₁,...,Θ_p,...,Θ_l}为块训练样本集，其中l为分出块的数量，则第p块的训练样本集为Θ_p＝{x_1p,...,x_ip,...,x_cp}。