基于多级分类的稀疏表征人脸识别方法.pdf

(19)中华人民共和国国家知识产权局*CN101976360A*(12)发明专利申请(10)申请公布号CN101976360A(43)申请公布日2011.02.16(21)申请号201010522281.9(22)申请日2010.10.27(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人刘芳焦李成侯彪周挺戚玉涛王爽马文萍尚荣华郝红侠单雁冰(74)专利代理机构陕西电子工业专利中心61205代理人王品华朱红星(51)Int.Cl.G06K9/66(2006.01)G06K9/00(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于多级分类的稀疏表征人脸识别方法(57)摘要本发明公开了一种基于多级分类的稀疏表征人脸识别方法，主要解决现有人脸识别方法不能有效运用于多类别人脸识别的缺点。其实现过程为：(1)将用于训练的人脸数据库随机分成n个子库，分别对每个子库进行降维，保留降维后的训练人脸数据和对应每个子库的变换矩阵；(2)输入测试人脸图像，利用各子库的变换矩阵对其进行降维，保留降维后的测试人脸数据；(3)用降维后的测试人脸数据与各子库中的训练人脸数据作内积运算，内积最大的前k个子库作为候选子库，使搜索范围缩小到这k个子库中；(4)分别在k个子库中对人脸进行识别，确定测试人脸图像所属的类别。本发明与现有技术相比能有效地提取人脸特征，降低计算复杂度，适用于多类别人脸识别。CN109763ACCNN110197636001976365A权利要求书1/2页1.一种基于多级分类的稀疏表征人脸识别方法，包括如下步骤：(1)将用于训练的人脸数据库随机的分成n个子库，n取4，分别对每个子库运用Fisher准则实现降维，保留降维后的训练人脸数据和对应每个子库的变换矩阵W；(2)输入测试人脸图像，分别在各子库的变换矩阵W下进行矩阵变换，快速实现降维，并保留降维后的测试人脸数据(3)用降维后的测试人脸数据与各子库中的训练人脸数据B作内积运算，选择内积值最大的前k个子库作为候选子库，使搜索范围缩小到这k个子库中，k取2；(4)分别在k个子库中运用基于信号的稀疏表示的人脸识别方法SRC对人脸进行识别，确定测试人脸图像所属的类别。2.根据权利要求1所述的人脸识别方法，其中步骤(1)所述的分别对每个子库运用Fisher准则实现降维，按照如下步骤进行：(2a)设子库中的训练人脸图像样本集为：X＝{xi}，i＝1，2，...，N，其中，N为子库中训练人脸图像的总数目，子库中训练人脸图像的类别数为c，计算子库中的训练人脸图像样本的类间散步矩阵Sb和类内散步矩阵Sw：其中，ni为第i类训练人脸图像的数目，μi是第i类人脸图像的均值，μ是所有人脸图像的均值，Di是第i类训练人脸图像样本的集合，x是Di中的一幅人脸图像；(2b)计算准则函数J(W)：其中，W是一个使得准则函数J(W)取得最大值的最优矩阵；(2c)设最优矩阵W的第i个列向量为wi，则wi是下列等式中的最大特征值所对应的特征向量：Sbwi＝λiSwwi，其中λi是特征值由于Sb是c个秩为1或0的矩阵的和，其中只有c-1个矩阵是相互独立的，所以Sb的秩为c-1或更低，这样非零的特征值至多只有c-1个，对应的特征向量也就至多有c-1个，也就是最优矩阵W最多有c-1个列向量；(2d)将子库中的训练人脸图像分别投影到最优矩阵W的c-1个列向量上，得到投影后的训练人脸图像，其维数为c-1，从而实现对训练人脸图像的降维。3.根据权利要求1所述的人脸识别方法，其中步骤(4)所述的分别在k个子库中运用基于信号的稀疏表示的人脸识别方法SRC对人脸进行识别，按照如下步骤进行：(3a)按下式求解测试人脸图像的稀疏表示向量其中，x为待求解的测试人脸图像的稀疏表示向量，ε为误差阈值；(3b)针对每一个人脸类别i，计算残差2CCNN110197636001976365A权利要求书2/2页其中是由稀疏表示向量得到的新向量，在该向量中，第i类人脸所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；(3c)用残差最小的类别作为最终的人脸类别的识别结果：4.根据权利要求1所述的人脸识别方法，其中步骤(4)所述的分别在k个子库中运用基于信号的稀疏表示的人脸识别方法SRC对人脸进行识别，按照如下步骤进行：(4a)按下式求解测试人脸图像的稀疏表示向量其中I为单位矩阵，x为待求解的测试人脸图像的稀疏表示向量，ε为误差阈值；(4b)针对每一个人脸类别i，根据测试人脸图像的稀疏表示向量计算残差其中是由稀疏表示向量得到的新向量，在该向量中，第i类人脸所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；(4c)用残差最小的类别作为最终的人脸类别的识别结果：3CCNN110197636