[发明专利]一种基于小波变换及稀疏表示的人脸识别方法

摘要

本发明公开了通过小波变换对每张待训练的人脸图像进行分解，得到对应的低频分量和三种对应不同细节的高频分量，再用主成分分析方法对三种高频分量进行融合，得到对应的最终高频融合训练图像，并分别构造低频字典和高频字典，最后将测试样本中的待测试的人脸图像分别在低频字典和高频字典中进行稀疏表示来实现人脸识别，并引入互相关系数的概念进一步增加人脸识别的准确性；优点是通过设置低频字典和高频字典能够圈定待测试的人脸图像在标准人脸库中所属的人脸图像集的初步类别，并通过引入互相关系数来进一步确定待测试的人脸图像在标准人脸库中最终所属的人脸图像集的类别，从而提高了人脸识别的识别率和可靠性，光照鲁棒性和表情鲁棒性较好。

主权项

1.一种基于小波变换及稀疏表示的人脸识别方法，其特征在于包括以下步骤：①假设人脸库中包括n个类别的人脸图像集，每个类别的人脸图像集包括m张待训练的人脸图像，s张待测试的人脸图像，所有待训练的人脸图像构成训练样本集，所有待测试的人脸图像构成测试样本集，其中，n≥2，m≥2，s≥2；②利用小波变换对该训练样本集中的每幅待训练的人脸图像进行分解，得到每幅待训练的人脸图像的低频分量、水平细节高频分量、垂直细节高频分量和对角细节高频分量；③用主成分分析方法对每幅待训练的人脸图像的低频分量进行特征提取，得到每个低频分量对应的低频特征向量和对应的低频特征值，将所有低频特征向量按照对应的低频特征值从大到小的顺序排列形成低频正交投影空间，将所有待训练的人脸图像的低频分量在低频正交投影空间投影，得到对应的低频训练投影特征集，将低频训练投影特征集定义为低频字典，记为D_L；④用主成分分析方法对每幅待训练的人脸图像对应的水平细节高频分量、垂直细节高频分量和对角细节高频分量进行融合，得到每幅待训练的人脸图像对应的最终高频融合训练图像；用主成分分析方法对每个最终高频融合训练图像进行特征提取，得到每个最终高频融合训练图像对应的高频特征向量和对应的高频特征值，将所有高频特征向量按照各自对应的高频特征值从大到小的顺序排列形成高频正交投影空间，将所有最终高频融合训练图像在高频正交投影空间上进行投影，得到对应的高频投影特征集，将高频投影特征集记为高频字典，记为D_H；⑤利用小波变换对该测试样本集中的每幅待测试的人脸图像进行分解，得到每幅待测试的人脸图像的低频分量、水平细节高频分量、垂直细节高频分量和对角细节高频分量；⑥用主成分分析方法对每幅待测试的人脸图像的水平细节高频分量、垂直细节高频分量和对角细节高频分量进行融合，得到每幅待测试的人脸图像对应的最终高频融合测试图像；将每幅待测试的人脸图像的低频分量在低频正交投影空间上进行投影，得到每幅待测试的人脸图像对应的低频测试投影特征，将其中第i幅待测试的人脸图像对应的低频测试投影特征记为1≤i≤n×s，其中，n×s表示人脸库中待测试的人脸图像的总数；将每幅待测试的人脸图像对应的最终高频融合测试图像在高频正交投影空间上进行投影，得到每幅待测试的人脸图像对应的高频测试投影特征，将其中第i幅待测试的人脸图像对应的高频测试投影特征记为⑦获取每幅待测试的人脸图像在人脸库中所属的人脸图像集的类别，完成人脸识别，其中获取第i幅待测试的人脸图像所属的人脸图像集的类别的具体过程如下：⑦‑1将在D_L上进行稀疏表示获取在D_L中与每个类别的人脸图像集对应的低频重构特征，共n个低频重构特征，再获取与每个低频重构特征的残差并提取其中的最小残差，将该最小残差对应的人脸图像集的类别记为q，1≤q≤n，将q定义为利用低频字典确定的第i幅待测试的人脸图像所属的人脸图像集的类别；将在D_H上进行稀疏表示获取在D_H中与每个类别的人脸图像集对应的高频重构特征，共n个高频重构特征，再获取与每个高频重构特征的残差并提取其中的最小残差，将该最小残差对应的人脸图像集的类别记为t，1≤t≤n，将t定义为利用高频字典确定的第i幅待测试的人脸图像所属的的人脸图像集的类别；⑦‑2若q等于t，则将q确定为第i幅待测试的人脸图像所属的人脸图像集的类别，完成人脸识别的过程，否则，执行步骤⑦‑3；⑦‑3将在第q个类别的人脸图像集中对应的低频重构特征记为将与的互相关系数记为ρ_L，其中，表示求与的协方差的运算，表示的方差，表示的方差；将在第t个类别的人脸图像集中对应的高频重构特征记为将与的互相关系数记为ρH，其中，表示求与的协方差的运算，表示的方差，表示的方差；若|ρ_L|≥|ρ_H|，则判定第i幅待测试的人脸图像属于第q个类别的人脸图像集，完成对第i幅待测试的人脸图像的识别过程；若|ρ_L|＜|ρ_H|，则判定第i幅待测试的人脸图像属于第t个类别的人脸图像集，完成对第i幅待测试的人脸图像的识别过程，其中，“||”为取绝对值符号。