[发明专利]基于字典重建的贝叶斯估计稀疏表示人脸识别方法

摘要

针对现有识别方法识别具有伪装的人脸图像时鲁棒性不好、识别率低的问题，本发明提供了一种字典重建的贝叶斯估计稀疏表示人脸识别方法，属于图像识别技术领域，包括如下步骤：首先利用字典重建的方法，在对测试人脸图像进行灰度阈值变换及平滑处理后，将原测试图像与处理后的测试图像进行融合，得到新的测试图像；再用贝叶斯估计稀疏表示识别方法对原测试图像进行分类识别。本发明方法能有效地分离原图像和噪声，从而取得较高的识别率和很好的鲁棒性，可以满足实际应用中实时的要求，与稀疏表示、贝叶斯估计稀疏表示等现有方法相比，本发明在处理效果上有较大的提高，稳定性好，应用范围广。

主权项

一种基于字典重建的贝叶斯估计稀疏表示人脸识别方法，其特征在于，包括如下步骤：步骤A，利用字典重建的方法，得到更能反映测试图像特性的稀疏表示字典，包括：步骤A‑1，将测试图像y经过灰度阈值变换处理后得到与原图像大小一样的二值图像；步骤A‑2，采用九点窗扫描的方法，对步骤A‑1得到的二值图像进行平滑处理，得到二值图像y′；步骤A‑3，将步骤A‑2得到的二值图像y′与原稀疏表示字典D₀中的每一幅图像进行乘法操作，得到测试图像y的重建稀疏表示字典D，其中，稀疏表示字典D₀、重建稀疏表示字典D均是示m×n维矩阵，且矩阵的每一列表示一幅人脸图像；步骤B，测试图像y的稀疏表示如下：min||α||₁s.t.y＝Dα式中，||α||₁为稀疏表示系数向量α的1范数，min||α||₁表示α的1范数最小值，s.t.表示约束条件，测试图像y的稀疏表示系数是唯一的，求解||α||₁的最小值，得到唯一的稀疏表示系数向量α；随后计算测试图像y与重建稀疏表示字典中的测试图像y估计之间的误差：采用代价函数表示误差的大小，并判断测试图像y属于重建稀疏表示字典中与最小误差对应的那一类图像，然后对测试图像y进行分类识别。