[发明专利]一种快速协同表示人脸分类方法

摘要

本发明公开了一种快速协同表示人脸分类方法，该方法：获取所有待测人员的若干脸部图像，组成训练样本集和测试样本集；将训练样本集投射到PCA子空间，得到该样本集的特征脸集；用特征脸以及类内变量字典共同线性表示测试样本；在字典空间中通过l₂范式迭代计算初始字典系数，随后二次引入l₁范式完成系数的精确优化；将重构测试样本PCA系数和降维样本投射到LDA子空间，分别得到重构测试样本和训练样本的LDA系数；选取与测试样本最小重构误差的类别作为人脸测试样本的最终候选类别。本发明不仅有效剔除了训练样本与测试样本间的信息冗余，提高了人脸识别精度，而且大幅降低了传统表示分类优化方法的时间开销，具有较好的通用性和鲁棒性。

主权项

1.一种快速协同表示人脸分类方法，其特征在于：包括如下步骤：(a)获取所有待检测人员脸部图像，且每个检测人员在不同光照、表情以及遮挡环境下都拍摄若干张图像，一个检测人员的所有脸部图像代表一类，从而将所有检测人员的脸部图像组合成为样本数据集；(b)从已存有的样本数据集中，随机挑选出15～25％的样本类来构造类内变量字典D_I，选取剩下样本类中的部分样本作为训练样本集A，同时建立各个类别的测试样本数据集；(c)将训练样本集A投射到PCA子空间，得到该样本集的特征脸U；(d)用D_I和U来线性描述测试样本y，得到降维约束优化的稀疏表示模型，构造基于混合范式的二次优化方法迭代计算出重构测试样本的PCA系数z；其中，所述二次优化方法为在字典空间中通过l₂范式迭代计算初始字典系数，随后二次引入l₁范式进行系数精确优化；(e)将z与PCA子空间的训练样本投射到LDA子空间，分别得到重构测试样本的LDA系数和训练样本LDA系数(f)计算每一类训练样本k的LDA系数centers_k；(g)分别统计与所有centers_k的重构误差，选取最小重构误差D_k的类别作为人脸测试样本的最终候选类别。