[发明专利]基于多样本扩充协同表示分类的人脸识别方法

摘要

本发明提供的基于多样本扩充协同表示分类的人脸识别方法，在图像镜面性的基础上，构造镜像人脸图，然后分别对同一类中任意的两个原始样本与镜像样本，取它们的平滑中值样本构造新的虚拟样本，然后用欧式距离选择出接近测试样本的训练样本。本发明将不同途径构成的训练样本分别进行参数加权融合，采用基于协同表示的分类方法进行人脸识别，不仅构造多种虚拟训练样本，简化运算复杂度，而且能够提高人脸识别的效果。

主权项

一种基于多样本扩充协同表示分类的人脸识别方法，其特征在于，包括如下步骤：步骤一：镜像图法利用图像的对称性得到镜像图；若人脸数据库有t类，每类有n个训练样本，训练样本总数为N＝t*n；令X表示总的原始矩阵，Xi表示X中第i类训练样本矩阵，Xi＝[x(i‑1)*n+1,x(i‑1)*n+2,…,xi*n]，其中，i＝1,2,…,t；Xi中每一项代表第i类训练样本矩阵中每一个训练样本的列向量；设原始矩阵X具有C行和D列，它对应的镜像矩阵也具有C行和D列；第i类第j个训练样本列向量表示为x(i‑1)*n+j，第i类第j个新生成的镜像样本表示为m(i‑1)*n+j，其中，i＝1,2,…,t，j＝1,2,…,n；x′(i‑1)*t+j(c,d)表示x(i‑1)*t+j在第c行和第d列上的像素，m′(i‑1)*t+j(c,d)表示m(i‑1)*t+j(c,d)在第c行和第d列上的像素，有m′(i‑1)*t+j(c，d)＝x′(i‑1)*t+j(c，D‑d+1)，c＝1,2,…,C,d＝1,2,…,D  (1)将x′(i‑1)*t+j(c,d)转化为m((i‑1)*t+j(c,d)，令M表示总的镜像图矩阵，Mi表示M中第i类训练样本矩阵，Mi＝[m(i‑1)*n+1,m(i‑1)*n+2,…,mi*n]；步骤二：第i类原始的训练样本矩阵用Xi表示，使用每类中两个不同的训练样本去构造新的训练样本，会构成个新的训练样本，若x(i‑1)*n+m和x(i‑1)*n+k均是来自Xi，新训练样本表示为xia=x(i-1)*n+m+x(i-1)*n+k2,a=1,2,...,Cn2---(2)]]>用Xa表示新生成样本矩阵，其中第i类训练样本矩阵表示为以此得到新的人脸图；步骤三：对于步骤一构造第i类镜像样本图矩阵Mi，运用步骤二的方法，得到由镜像图构造的个新的镜像图，用Ma表示新生成镜像样本矩阵，以此得到的新的人脸图；步骤四：设第i类测试样本矩阵的列向量为y，用欧氏距离来测量第i类原始训练样本x(i‑1)*n+j与测试样本y之间的偏差程度，令di＝||y‑x(i‑1)*n+j||2  (3)di越小，说明x(i‑1)*n+j越接近y；从N个训练样本中用欧式距离选出G个训练样本，G≤N，设G个训练样本的列向量分别为q1,q2,…,qG，令Q表示经过欧式距离选择过的训练样本矩阵，Q＝[q1,q2,…,qG]；用G个训练样本线性表示y，即y＝K*Q  (4)K是Q对应的系数，K＝[k1,k2,...,kG]；令Ki＝(QTQ+μz)‑1QTy，μ是一个较小的常量，z是一个可识别的矩阵；令yi＝Ki*Qi  (5)Qi表示Q中第i类训练样本，Ki为Qi对应的系数，用di1衡量y与y'之间的偏差程度，即di1＝||y‑y'||2  (6)di1越小，说明y'越能表示y；步骤五：对步骤一生成的第i类镜像图训练样本矩阵Mi，使用步骤四的方法，用di2来衡量第i类镜像图训练样本表示的y偏差程度；步骤六：对步骤二生成的第i类新的训练样本矩阵使用步骤四的方法，用di3来衡量第i类新的训练样本表示y的偏差程度；步骤七：对步骤三生成的第i类新的镜像图训练样本矩阵使用步骤四的方法，用di4来衡量第i类新的镜像图训练样本表示的y偏差程度；步骤八：融合步骤四、步骤五、步骤六和步骤七所生成的di1、di2、di3和di4来求得所有训练样本表示第i类测试样本的最终偏差程度di，di＝β1di1+β2di2+β3di3+β4di4，β1、β2、β3和β4分别为di1、di2、di3和di4对应的权重，β1+β2+β3+β4＝1，β1+β2≥β3+β4；若则测试样本y被分配到第i类。