用于人脸识别的基于LBP特征的结构型稀疏表示分类方法技术

本发明专利技术公开了一种用于人脸识别的基于LBP特征的结构型稀疏表示分类方法（LBP‑SSRC），对于传统的SRC算法来说，样本的局部性相较于其稀疏性一样是极其重要的，局部特征是一种非常有用的特征信息，该算法首先从原始样本集中提取样本的LBP直方图特征，考虑到训练样本的分块结构性，接着设计了两种结构型稀疏表示的算法模型（SSRC），最后将提取到的LBP特征输入到SSRC算法模型中，充分利用样本LBP特征的局部性以及SSRC的分块结构性，因此该算法使测试样本可以尽可能的选择用与其同类别的训练样本来重构得到，可以很好的提升分类识别效果。通过在公共的AR人脸库上的对比实验，可以充分验证所提算法的有效性。

Structured sparse representation based classification method for face recognition based on LBP features

The invention discloses a method for face recognition of structural LBP features based on the sparse representation classification method (LBP SSRC), for the traditional SRC algorithm, local samples compared to the same sparsity is extremely important, the local feature is a very useful feature information, the algorithm firstly the original sample set extraction LBP histogram feature samples, taking into account the block structure of the training sample, then the algorithm model to design two kinds of structured sparse representation (SSRC), input LBP feature extraction finally into the SSRC algorithm model, make full use of the structural characteristics of the block sample LBP and local SSRC. So the algorithm so that the test sample can be as much as possible for the selection of the same categories of training samples to reconstruct, can improve the classification effect is very good. Through the contrast experiments on the public AR face database, the effectiveness of the proposed algorithm can be fully verified.

【技术实现步骤摘要】
用于人脸识别的基于LBP特征的结构型稀疏表示分类方法
本专利技术涉及一种稀疏表示的分类算法，特别涉及一种用于人脸识别的基于LBP特征的结构型稀疏表示分类方法，属于人脸识别领域。
技术介绍
在过去相当长时间的研究中，稀疏表示最初是被用来解决诸多信号处理领域的问题，比如图像去噪、图像压缩和图像恢复等。近年来经过广大研究者的探索，发现在模式识别领域，稀疏表示由于其高效性可以很好的用来解决图像分类识别的问题。如何定义图像的稀疏表示，就是对这个图像采用基于稀疏性的最逼近的表示，同时保证其简约性。稀疏表示具有判别性，意味着其可以选择最为稀疏的一种表示系数来很好的表达原始图像，正是因为这个特性，在人脸识别领域，稀疏表示的应用非常成功。在基于稀疏表示的分类方法(SRC)中，我们从训练样本集中通过学习得到一个过完备字典，训练样本即该字典中的原子，同一个线性子空间中包含某一类别的所有训练样本。稀疏表示的目的是想让某类的测试样本只由与其同类的训练样本来线性表示，换言之就是在稀疏表示的系数矩阵中，只有与测试样本同类别的训练样本的表示系数不为零，其他均为零。这样一来的传统的基于稀疏表示的分类算法(SRC)，具本文档来自技高网...

【技术保护点】
用于人脸识别的基于LBP特征的结构型稀疏表示分类方法，其特征在于，包括以下具体步骤：步骤1，分别提取原始样本集中训练样本和测试样本图像的LBP特征；步骤2，构建结构型稀疏表示算法模型；步骤3，将步骤1中提取的训练样本和测试样本的LBP特征输入到结构型稀疏表示分类算法模型中，根据结构型稀疏表示算法模型的输出，得到测试样本的分类结果。

【技术特征摘要】
1.用于人脸识别的基于LBP特征的结构型稀疏表示分类方法，其特征在于，包括以下具体步骤：步骤1，分别提取原始样本集中训练样本和测试样本图像的LBP特征；步骤2，构建结构型稀疏表示算法模型；步骤3，将步骤1中提取的训练样本和测试样本的LBP特征输入到结构型稀疏表示分类算法模型中，根据结构型稀疏表示算法模型的输出，得到测试样本的分类结果。2.根据权利要求1所述的用于人脸识别的基于LBP特征的结构型稀疏表示分类方法，其特征在于，步骤1中测试样本图像的LBP特征的提取方法包括如下步骤：1)将测试样本图像y划分成16×16的小区域，记为y＝{y1,y2,…,yn}，其中，n表示划分的小区域数目；2)分别对yi进行LBP编码，得到每个小区域的LBP编码图，记为其中，i＝1,2,…,n；3)分别对进行直方图统计，即统计每个LBP编码值的频率，得到直方图统计特征向量LBP(yi)，并作归一化处理；4)将所有小区域的直方图统计特征向量串联得到整幅测试样本图像的LBP特征矩阵：LBP(y)＝[LBP(y1),LBP(y2),…,LBP(yn)]。3.根据权利要求1所述的用于人脸识别的基于LBP特征的结构型稀疏表示分类方法，其特征在于，步骤1中训练样本图像的LBP特征的提取方法包括如下步骤：1)将训练样本图像D划分成16×16的小区域，记为D＝{D1,D2,…,Dn}，其中，n表示划分的小区域数目；2)分别对Di进行LBP编码，得到每个小区域的LBP编码图，记为其中，i＝1,2,…,n；3)分别对进行直方图统计，即统计每个LBP编码值的频率，得到直方图统计特征向量LBP(D...

【专利技术属性】
技术研发人员：周航，荆晓远，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32