[发明专利]基于二次协作表示鉴别投影的鲁棒人脸识别方法

说明书

本发明公开了一种基于二次协作表示鉴别投影的鲁棒人脸识别方法，通过第一次协作表示筛选出与训练样本联系较为紧密的K类样本，通过第二次协作表示线性重构训练样本获取重构系数，并通过重构系数构造样本的类内图与类间图刻画样本的内聚性与分离性，然后通过最大化类间散度同时最小化类内散度获得投影矩阵，最后利用所获得的投影矩阵提取待识别样本与所有训练样本的特征，并由分类准则判断待识别样本的类标。本发明利用协作表示重构训练样本，可有效处理由于光照、遮挡、人脸姿态、表情变化引起的识别错误问题，可更有效、准确地表达训练样本，可满足实际应用中对人脸识别的高精度需求。

技术领域

本发明涉及一种人脸识别方法，属于图像识别技术领域。

背景技术

人脸识别是身份鉴别的一种重要方法，在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域有着广泛的应用前景。基于特征提取的人脸识别方法是一种主流的人脸识别方法，其利用降维技术提取人脸图像中的重要特征，获取图像中有效的鉴别信息，减少图像中冗余信息、噪声等对识别率的影响，从而提高识别精度与识别速度。

现有的人脸特征提取与识别方法有：

(1)特征脸(eigenfaces)，即基于主成分分析(PCA)的人脸识别方法，记载于M.Turk与A.Pentland于1991年在Journal ofCognitive Neuroscience第3卷第1期71-86页发表的《Eigenfaces for recognition》中，该方法旨在寻找一个投影方向，使得人脸样本投影后总体散度最大。

(2)费舍尔脸(fisherface)，即基于线性鉴别分析(LDA)的人脸识别方法，记载于P.N.Belhumeur,J.P.Hespanha,D.J.Kriegman于1997年在IEEE Transactions onPatternAnalysis and Machine Intelligence第19卷第7期711-720页发表的《Eigenfacesvs.fisherfaces:recognition using class specific linearprojection》，该方法利用样本的类别信息，刻画了样本包含的鉴别结构。

(3)拉普拉斯脸(laplacianface)，即基于局部保持投影(LPP)的人脸识别方法，记载于X.He,S.Yan,Y.Hu等人于2005年在IEEE Transactions on Pattern Analysis andMachine Intelligence第27卷第3期328-340页发表的《Face recognition usinglaplacianfaces》，该方法旨在寻找一个投影方向，使得人脸样本投影后局部结构得到保持。

(4)基于稀疏保持投影(SPP)的人脸识别方法，记载于L.Qiao,S.Chen,X.Tan于2010年在Pattern Recognition第43卷第1期331-341发表的《Sparsity preservingprojections with applications to face recognition》，该方法利用样本的稀疏性构造邻接矩阵，旨在寻找一个投影方向，使得人脸样本投影后稀疏性得以保持。

(5)基于协作表示的局部鉴别投影法(CRLDP)，记载于P.Huang,T.Li,G.W.Gao等人于2018年在Digital Signal Processing第76卷第5期84-93页发表的《Collaborativerepresentation based local discriminant projection for feature extraction》，该方法利用样本间的协作表示关系构造类内图与类间图，分别用于刻画样本的内聚性与分离性，然后通过寻找一个最佳投影矩阵使得样本投影后类间散度与类内散度比值最大实现样本的特征提取。