加权协同表征与线性表示分类相融合的二级人脸识别方法技术

本发明专利技术公开了一种加权协同表征与线性表示分类相融合的二级人脸识别技术，将CRC与线性表示(LRC)结合。首先基于主成分分析(PCA)对所有图像样本进行降维，以降低计算的复杂度；考虑到样本局部相似性先验信息对分类识别的不同贡献，构建加权矩阵，并嵌入到CRC中，提出加权CRC，然后基于加权CRC，根据重构残差排序保留相关性较大的若干类训练样本用于线性表示(LRC)，以实现二级分类识别，这种通过缩小分类目标的做法，使识别更精确，且识别时间也大大降低。

【技术实现步骤摘要】

本专利技术涉及一种人脸识别方法，特别是一种基于加权协同表征与线性表示分类相融合的二级人脸识别方法。
技术介绍
当今数字化信息时代，随着互联网的发展迅猛，各种信息资源的安全性是很重要的问题，在很多场合都采取了访问控制的安全防护措施。这其中，基于生理特征的身份鉴别，如人脸识别、指纹识别等就因其实时性、便捷性的特点而得到广泛应用。如今，在交通运输领域，特别是对安全等级要求较高的机场、车站等都通过计算机视觉系统进行实时安全监控，任何对视频中相关特征的提取和分析都基于人脸。如何在复杂环境中对人脸检测和识别是目前人脸识别领域的研究内容。基于特征提取的人脸识别方法旨在寻找目标图像的低维特征与分类的相关性，但目前还没有权威的高维图像到低维空间的变换准则。随着压缩感知编码理论的提出，一些研究人员发现特征的选择并不很重要。假如能在高维空间对人脸图像有更准确的估计就可以获得更高的识别率。因此，近年来基于稀疏编码模型的人脸识别方法引起广泛关注。Wright等最先提出稀疏表征分类(SRC)的人脸识别算法。通过稀疏约束求解能表征目标样本的各类训练样本的线性组合，并将目标样本归并到最多非零系数的类中。该方法由于对图像本身存在的噪声影响不敏感，在识别方面有较强的鲁棒性。虽然基于SRC的方法在应用中有不错的效果，但一些专家在研究中也发现，SRC基于最大似然估计的l1-范数求解，由于需要迭代，致使计算的复杂度较高。Zhang等认为在人脸识别中，经典SRC模型基于l1-范数的稀疏求解是建立在每类训练样本必须是过完备的基础上。但在实际应用中，用于训练的人脸数据库中的样本往往是不足够的。既然类内样本不完备，由于类间样本也有一定的相似度，因此可将它类样本协同表征。为此，提出了用l2-范数代替l1-范数稀疏求解的协同表征分类(CRC)。此方法在稀疏性上相比基于l1-范数的SRC较低，但在分类识别时，保证了测试样本与类内样本的误差足够小，同时与类间样本的误差足够大，使得识别更加有效，且大幅度提高了计算的效率。此外，NASEEM等还提出了线性表示分类(LRC)，同样可较为准确的估计人脸图像在高维空间的分布。与CRC对所有训练样本通过稀疏约束，根据各类重构残差判断测试样本类别的原理不同。LRC则是根据测试样本与各类训练样本重构误差的最小值来决定其归属。此算法简单、易实现。在人脸识别应用中无论计算效率还是识别率都很好，但对图像的要求较高，易受噪声的干扰。
技术实现思路
本专利技术所要解决的技术问题是提供一种对图像本身要求不高且识别效果及效率都较高的加权协同表征与线性表示分类相融合的二级人脸识别方法。为解决上述技术问题，本专利技术所采用的技术方案是：一种加权协同表征与线性表示分类相融合的二级人脸识别方法，其特征在于包含以下步骤：Step1：人脸数据库包含了C个人的图像，每个人有ni幅图像，每幅图像大小为m×n，定义训练样本集测试样本为Y∈Rm×n，将各类训练样本矢量化为这样第i类训练样本组成的矩阵为C类训练样本构成的矩阵为Χ＝[Χ1,…,XC]∈Rm×N，将测试样本Y矢量化为y∈Rm×1；Step2：计算各训练样本与y之间的误差，构建对角加权矩阵M；Step3：利用主成份分析对和y进行降维处理，得到新的训练样本和测试样本，分别矢量化为和B，这样第i类训练样本组成的矩阵为C类训练样本构成的矩阵为A＝[A1,…,AC]；Step4：将对角加权矩阵M嵌入协同表示模型中，将Ai作为协同表示分类的编码字典，得Step5：用最小二乘法求解加权协同表示模型的编码字典Ai所对应的稀疏向量αi，即αi＝(AiTAi+λMTM)-1AiTB；Step6：分别计算新的测试样本B与每类训练样本Ai重构的残差eσi，即eσi＝||B-Aiαi||2，式中Aiαi为对每类训练样本Ai的重构；Step7：将每类训练样本Ai和测试样本B的重构残差矩阵eσi＝[eσ1,eσ2,…,eσC]中的元素按升序排列，得到有序的残差矩阵eεi＝[eε1,eε2,…,eεC]，并从中筛选出前S类残差小于设定阈值所对应的样本，则筛选出的S类训练样本构成的矩阵为其中第i类训练样本组成的矩阵为Step8：若测试样本B属于第i类，将B分别用每类训练样本的线性表示，即Step9：用最小二乘法求解出第i类训练样本的系数向量μi，Step10：重构第i类训练样本即式中Bi即为第i类训练样本的重构；Step11：计算测试样本B与每类训练样本的重构Bi之间的误差βi，即βi＝||B-Bi||2Step12：根据重构误差βi判断测试样本B的归属。进一步地，所述各训练样本与测试样本y之间的相似性通过欧式距离即公式计算，进而构建对角加权矩阵进一步地，在加权协同分类中，根据重构残差，选择eσi最小的前S类训练样本用于二级识别，通过仿真试验证明，保留的S类，满足S＝C*15％可获得较好的识别效果。进一步地，在加权协同分类时，测试样本B与每类训练样本Ai的重构误差eσi通过欧式距离eσi＝||B-Aiαi||2计算得到，而非传统的eσi＝||B-Aiαi||2/||αi||2，这是考虑到训练样本在随机选取的情况下，使用欧式距离计算重构误差可以获得更好的识别效果。进一步地，所述判断测试样本B的归属通过公式判定。本专利技术与现有技术相比，具有以下优点和效果：1、使用l2-范数作为约束条件，大大提高了运算的效率，且这种通过所有样本协作表征的稀疏求解在重构分类时依然有很好的识别效果；2、由于各训练样本与测试样本有一定的局部相似性，因此这些先验信息在分类识别的贡献程度不同，通过权重样本建立加权矩阵嵌入到CRC中，在协同分类前利用主成分分析(PCA)对原始样本降维，在一定程度上降低了计算的复杂度，同时提高了识别率。3、利用协同表征和线性表示在样本选择上的不同特点，可以弥补单一使用协同表示在某一低维特征下出现识别抖动的现象。4、通过二级分类筛选出相关性更大的目标类，这种缩小类别范围的做法，使分类更精确，识别率更高。具体实施方式下面通过实施例对本专利技术作进一步的详细说明，以下实施例是对本专利技术的解释而本专利技术并不局限于以下实施例。本专利技术的加权协同表征与线性表示分类相融合的二级人脸识别方法基于CRC算法较低的时间复杂性，以及在牺牲样本一定稀疏性的前提下通过协同依然可以得到较高的识别率，因此结合CRC提出新的方法。考虑到各训练样本与测试样本有一定的局部相似性，那么它们对于分类识别的贡献取决于相似程度，而这种相似度可通过欧式距离计算，即各训练样本与测试样本的误差获得，为避免协同分类中使用主成分分析(PCA)对图像降维后在某一低维特征下易出现识别抖动的现象，融合了线性表示(LRC)，算法具体步骤如下：Step1：设人脸数据库包含了C个人的图像，每个人有ni(i＝1,2,…,C)幅图像，由此定义训练样本集是第i类第j幅图像样本，每幅图像大小为m×n，测试样本为Y∈Rm×n，将各类训练样本矢量化为这样第i类训练样本组成的矩阵为C类训练样本本文档来自技高网...

【技术保护点】
一种加权协同表征与线性表示分类相融合的二级人脸识别技术，其特征在于包含以下步骤：Step1：人脸数据库包含了C个人的图像，每个人有ni幅图像，每幅图像大小为m×n，定义训练样本集测试样本为Y∈Rm×n，将各类训练样本矢量化为这样第i类训练样本组成的矩阵为C类训练样本构成的矩阵为X＝[X1，…，XC]∈Rm×N，将测试样本Y矢量化为y∈Rm×1；Step2：计算各训练样本与y之间的误差，构建对角加权矩阵M；Step3：利用主成份分析对和y进行降维处理，得到新的训练样本和测试样本，分别矢量化为和B，这样新的第i类训练样本组成的矩阵为C类训练样本构成的矩阵为A＝[A1，…，AC]；Step4：将对角加权矩阵M嵌入协同表示模型中，将Ai作为协同表示分类的编码字典，得Step5：用最小二乘法求解加权协同表示模型的编码字典Ai所对应的稀疏向量αi，即αi＝(AiTAi+λMTM)‑1AiTB；Step6：分别计算新的测试样本B与每类训练样本Ai重构的残差eσi，即eσi＝||B‑Aiαi||2，式中Aiαi为对每类训练样本Ai的重构；Step7：将每类训练样本Ai和测试样本B的重构残差矩阵eσi＝[eσ1，eσ2，…，eσC]中的元素按升序排列，得到有序的残差矩阵eεi＝[eε1，eε2，…，eεC]，并从中筛选出前S类残差小于设定阈值所对应的样本，则筛选出的S类训练样本构成的矩阵为其中第i类训练样本组成的矩阵为(i＝1，2，…，S，j＝1，2，…，ni)；μi=(A‾iTA‾i)-1A‾iTB;]]>Step10：重构第i类训练样本即式中Bi即为第i类训练样本的重构；Step11：计算测试样本B与每类训练样本的重构Bi之间的误差βi，即βi＝||B‑Bi||2Step12：根据重构误差βi判断测试样本B的归属。...

【技术特征摘要】
1.一种加权协同表征与线性表示分类相融合的二级人脸识别技术，其特征在于
包含以下步骤：
Step1：人脸数据库包含了C个人的图像，每个人有ni幅图像，每幅图像大小
为m×n，定义训练样本集测试样
本为Y∈Rm×n，将各类训练样本矢量化为这样第i类训练样本
组成的矩阵为C类训练样本构成的矩阵为
X＝[X1，…，XC]∈Rm×N，将测试样本Y矢量化为y∈Rm×1；
Step2：计算各训练样本与y之间的误差，构建对角加权矩阵M；
Step3：利用主成份分析对和y进行降维处理，得到新的训练样本和测试样
本，分别矢量化为和B，这样新的第i类训练样本组成的矩阵为
C类训练样本构成的矩阵为A＝[A1，…，AC]；
Step4：将对角加权矩阵M嵌入协同表示模型中，将Ai作为协同表示分类的
编码字典，得Step5：用最小二乘法求解加权协同表示模型的编码字典Ai所对应的稀疏向
量αi，即αi＝(AiTAi+λMTM)-1AiTB；
Step6：分别计算新的测试样本B与每类训练样本Ai重构的残差eσi，即
eσi＝||B-Aiαi||2，式中Aiαi为对每类训练样本Ai的重构；
Step7：将每类训练样本Ai和测试样本B的重构残差矩阵
eσi＝[eσ1，eσ2，…，eσC]中的元素按升序排列，得到有序的残差矩阵
eεi＝[eε1，eε2，…，eεC]，并从中筛选出前S类残差小于设定阈值所对应的样本，
则筛选出的S类训练样本构成的矩阵为其中第i类
训练样本组成的矩阵为(i＝1，2，…，S，j＝1，2，…，ni)；...

【专利技术属性】
技术研发人员：施志刚，
申请(专利权)人：南通航运职业技术学院，
类型：发明
国别省市：江苏;32