一种基于矩阵的低秩稀疏人脸识别方法及其系统技术方案

本发明专利技术涉及一种基于矩阵的低秩稀疏人脸识别方法，包括：A、对任意人脸样本进行特征提取；B、针对特征提取后数据进行判别分类并给出人脸识别结果。用线性稀疏的投影矩阵从高维度的图像中提取出有鉴别力的特征，从而提高人脸识别的效率；直接对图像矩阵进行特征提取，大大加快了算法的计算速度；用最近较为流行的L*范数替代传统的子空间学习方法中的L1范数或L2范数作为矩阵距离度量，增强算法的鲁棒性；通过加入L2，1范数正则项，算法能对迭代求解过程中有鉴别力的投影进行选择，从而达到联合稀疏的效果，这不仅使得投影结果具有更高的可解释性，还可以进一步提升算法的鲁棒性；通过使用L*范数和加入联合稀疏性，该方法提高了人脸识别的性能以及稳定性。

【技术实现步骤摘要】
一种基于矩阵的低秩稀疏人脸识别方法及其系统
本专利技术属于模式识别技术改进领域，尤其涉及一种基于矩阵的低秩稀疏人脸识别方法及其系统。
技术介绍
智慧城市理念的提出意味着城市要启动智能化的进程，其中一个方面是通过视频监控、智能识别减少城市犯罪率。而这一个想法的实现最为重要的环节是提升人脸识别的成功率。而在人脸识别
中，如何从高维度的图像中提取出有用的特征并减少数据维度，具有非常重要的研究意义。因为高维度的图像不仅加大了计算复杂度，还存在大量冗余的信息严重影响分类器的识别成功率，所以如何有效的对图像进行特征提取则显得尤为重要了。在这样的需求下，大量的特征提取算法被相继提出。其中较为经典的有基于图像全局结构的主成分分析技术PCA和线性鉴别分析技术LDA。基于图像局部结构的局部线性嵌入技术LLE和正交邻域保留投影技术ONPP。这几个经典的特征提取技术由于其大大提高了图像识别率，被广泛运用在了人脸识别，指纹识别等应用上。然而，随着技术的发展，人们发现了经这些经典的特征提取技术所产生的投影矩阵不够稀疏，所以对于特征提取的结果缺乏可靠的解释性，这在一定程度上影响了算法的有效性。因此在这些技术本文档来自技高网...

【技术保护点】
一种基于矩阵的低秩稀疏人脸识别方法，其特征在于，所述低秩稀疏人脸识别方法包括以下步骤：A、对任意人脸样本进行特征提取；B、针对特征提取后数据进行判别分类并给出人脸识别结果。

【技术特征摘要】
1.一种基于矩阵的低秩稀疏人脸识别方法，其特征在于，所述低秩稀疏人脸识别方法包括以下步骤：A、对任意人脸样本进行特征提取；B、针对特征提取后数据进行判别分类并给出人脸识别结果。2.根据权利要求1所述的低秩稀疏人脸识别方法，其特征在于，所述步骤A包括以下步骤：A1、初始化迭代步骤t＝1，初始化U(0)为随机列正交矩阵，P(0)为随机矩阵，G(0)为单位矩阵；A2、通过迭代操作，求出稀疏投影子空间P；A3、将计算得到的进行归一化处理，其公式为：A4、计算映射后的人脸特征矩阵，其公式为：Yi＝PTXiP(i＝1，...，N)。3.根据权利要求1所述的低秩稀疏人脸识别方法，其特征在于，所述步骤A2中包括以下步骤：A21、判断迭代过程中t的大小是否大于Tmax；如小于等于Tmax，则执行步骤A22，如大于Tmax，则执行步骤A3；A22、利用矩阵X，U(t-1)，P(t-1)和函数式计算得出其函数式为：1A23、利用等式关系将矩阵P(t)进行更新，其中等式：A24、对做SVD分...

【专利技术属性】
技术研发人员：赖志辉，陈育东，罗天枝，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44