[发明专利]一种基于核贝叶斯压缩感知的人脸识别方法

摘要

本发明公开了一种基于核贝叶斯压缩感知的人脸识别方法，包括人脸识别系统，其特征在于还包括以下步骤：局部二值模式特征提取、核空间映射和核贝叶斯压缩感知分类。该方法结合了压缩感知方案与贝叶斯方法各自的优势，压缩感知方案中通过求稀疏系数矩阵可以很好的重构原有图像，再利用贝叶斯中先验信息对稀疏系数矩阵的约束，不仅一定程度上能克服噪声的影响，对误差范围进行估计，还对图像的恢复有非常好的效果。能够很好的克服人脸光照，遮挡以及表情等变化对人脸识别的影响，可以获得较高的识别率，最高识别率可以达到99%。同时最后运用稀疏矩阵进行重构识别，本发明运行速度也比支持向量机快。

主权项

一种基于核贝叶斯压缩感知的人脸识别方法，包括人脸识别系统，其特征在于还包括以下步骤：步骤1、图像的局部二值模式特征提取设一副图像中33 邻域区域局部的纹理分布，其中表示局部区域中心点的像素值，表示以R为半径的周围相邻等距离的P个像素点，为了防止灰度差受到影响，我们定义一个函数：（1）则一副图像可以标准局部二值模式(LBP)提取特征，它的表达式为：（2）其中度量U为：（3）通过得到每个像素的局部二值模式(LBP)特征值，从而得到整幅图像的特征；步骤2、核空间映射假设用LBP方法特征提取图像特征集后，得到训练集为，也称为字典，测试集为，则通过直方图交叉核函数，训练集和测试集投影映射为，，其中直方图交叉核函数的表达式如下：(4)其中是两个维度为的特征向量，分别是特征向量的特征值；根据公式还可以进一步写成：；步骤3、核贝叶斯压缩感知的分类方法①设核空间的一个信号可以用字典中的一组原子线性表示，则压缩感知模型为：(5)式中是满足Gaussian分布的噪声：，是系数矩阵，是字典，表示字典中的一个原子；则含有噪声模型的似然估计为：（6）从上式可知，要通过对稀疏矩阵和噪声方差的估计，从而重构得到信号；②对于稀疏矩阵和噪声方差的估计，一般采用贝叶斯中后验概率密度函数的方法来实现，具体方法为：首先利用超参数的多层结构来定义先验假设，对于稀疏矩阵的先验可以写成：(7)其中是均值为0的高斯密度函数；然后再定义的先验为伽马分布，公式为：(8)所以整体的稀疏矩阵的先验概率密度函数可写为(9)其中是学生—t分布；③最终得到稀疏矩阵的表达式为：(10)其中，,,和分别表示训练集与测试集，与的直方图交叉核。