一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法技术

本发明专利技术涉及一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法，与现有技术相比解决了识别方法耗时较长或分类性能不稳定的缺陷。本发明专利技术包括以下步骤：人脸图像采集与检测，从视频中提取的测试帧图像中确定人脸的五官范围；图像预处理，对测试帧图像进行消除光照或噪声干扰的预处理；特征提取，对测试帧图像进行人脸特征提取；分类识别，将提取出的人脸特征信息，与数据库中存储的特征模板进行搜索分类匹配，得到最终分类识别结果。本发明专利技术将稀疏表示方法与单隐层前馈神经网络相结合，实现了在拥有较快识别速度的同时，保持良好的分类识别性能。

A face recognition method based on sparse representation and single hidden layer neural network

The invention relates to a face recognition method based on sparse representation and single hidden layer neural network technology, and compared with the prior art, the invention solves the defects that the identification method takes a long time or the classification performance is unstable. The invention comprises the following steps: face image acquisition and detection, determine the face features of range test images extracted from the video; image preprocessing, the image preprocessing to eliminate the test light or noise; feature extraction of test images for face feature extraction; facial feature recognition the information will be extracted, search, classification and feature templates stored in the database, get the final classification result. The invention combines sparse representation method with single hidden layer feedforward neural network, and achieves good recognition performance while having faster recognition speed.

【技术实现步骤摘要】
一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法
本专利技术涉及图像识别
，具体来说是一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法。
技术介绍
作为图像处理、模式识别等领域最成功的应用之一，人脸识别由于无需识别对象配合、可远程隐蔽操作、识别过程友好等特点备受关注。除了纯粹的科研意义，在商业和执法中也有着诸多应用，如监管、安全、通讯和人机交互等。经过30年的研究，各种各样的人脸识别方法被研究者相继提出。随着压缩感知理论的兴起，作为其核心技术的稀疏表示，不仅可以降低数据分析和处理的成本，而且可以提高数据的压缩效率，因而基于稀疏表示的方法由于其出色的分类性能以及对噪声和遮挡的鲁棒性受到了研究者的广泛关注，纷纷将科研方向专注于基于稀疏表示的人脸识别的研究上，实现人脸识别的更加精准化提高人脸识别技术，但该方法往往较为耗时。单隐层前馈神经网络相较于传统神经网络学习训练方法，消除了不断迭代以获得最优参数的冗长繁琐过程，追求以最快的学习速度实现最好的泛化性能，但该方法的分类性能较为不稳定。因此，如何能够将稀疏表示与单隐层前馈神经网络相结合，利用其自身的优点设计出一种人脸识别本文档来自技高网...

【技术保护点】
一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法，其特征在于，包括以下步骤：11)人脸图像采集与检测，从视频中提取的测试帧图像中确定人脸的五官范围；12)图像预处理，对测试帧图像进行消除光照或噪声干扰的预处理；13)特征提取，对测试帧图像进行人脸特征提取；14)分类识别，将提取出的人脸特征信息，与数据库中存储的特征模板进行搜索分类匹配，得到最终分类识别结果。

【技术特征摘要】
1.一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法，其特征在于，包括以下步骤：11)人脸图像采集与检测，从视频中提取的测试帧图像中确定人脸的五官范围；12)图像预处理，对测试帧图像进行消除光照或噪声干扰的预处理；13)特征提取，对测试帧图像进行人脸特征提取；14)分类识别，将提取出的人脸特征信息，与数据库中存储的特征模板进行搜索分类匹配，得到最终分类识别结果。2.根据权利要求1所述的一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法，其特征在于，所述的分类识别包括以下步骤：21)对训练集进行样本训练；22)对测试帧图像的人脸特征信息进行测试样本分类。3.根据权利要求2所述的一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法，其特征在于，所述的对训练集进行样本训练包括以下步骤：31)计算出稀疏表示系数xi，使其作为单隐层神经网络的输入样本；32)随机生成输入权值wi和偏差值bi；33)计算出隐层输出矩阵H；34)计算最优输出权值其中H+＝(HTH)-1HT；其中，为最优输出权值，H+为隐层输出矩阵H的Moore-Penrose广义逆矩阵；35)输出单隐层神经网络最优输出权值4.根据权利要求3所述的一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法，其特征在于，所述的计算出稀疏表示系数xi包括以下步骤：41)从数据库中获取训练集A，训练集A包括n个不同对象的共c张人脸图像，其中：c张图像分为n组，每个对象包括ni个人脸样本图像，n为对象个数，ni为每个对象的样本图像数量；训练集A中的第i组的人脸图像定义为Ai，其中，ai,j∈RD×1表示第i组中的第j个人脸样本图像(j＝1,2,...,ni)所构成的D维列向量；42)将n个组的c个训练样本图像依次链接，c＝n1+n2+...+nn，构成基或过完备字典A，A＝[A1,A2,…An]；43)设待识别图像y属于第i组对象，用Ai中的人脸样本图像线性表示y，其中，xi为y在Ai上的表示系数，待识别图像y在所有训练样本的线性表示如下：y＝Ax∈RD其中，稀疏系数向量44)在分组和局部敏感约束下求解稀疏系数向量x，其表示成如下最小化问题：其中，λ为衡量局...

【专利技术属性】
技术研发人员：梁栋，屈磊，谭守标，唐俊，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34