一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统技术方案

本发明专利技术公开了一种基于稀疏系数相似的加权稀疏表示人脸识别方法，包括以下步骤：对人脸训练样本图像和测试样本进行预处理，构造训练样本矩阵，将每个训练样本与测试样本列向量的欧氏距离负指数函数映射值定义为权值，构造权重矩阵，求所有训练样本和测试样本的稀疏系数，根据训练样本与测试样本稀疏系数间的相似性，通过余弦相似性选取K个与测试样本邻近的样本组成邻近样本矩阵，采用L1范数最小二乘法求解测试样本的稀疏系数，然后重构测试样本残差来实现分类。本发明专利技术方法及系统利用训练样本数据的局部性和稀疏性，使得识别算法更加稳定，避免过多选择其它类别样本，提高测试样本分类的准确率。根据本发明专利技术，进行人脸识别，具有较好的市场前景。

A Weighted Sparse Representation Face Recognition Method and System Based on Sparse Coefficient Similarity

The invention discloses a weighted sparse representation face recognition method based on similarity of sparse coefficients, which includes the following steps: pretreatment of face training sample image and test sample, construction of training sample matrix, and definition of Euclidean distance negative exponential function mapping value of each training sample and test sample column vector as weight value The weight matrix is constructed to calculate the sparse coefficients of all training samples and test samples. According to the similarity between the sparse coefficients of training samples and test samples, K samples adjacent to test samples are selected by cosine similarity to form the adjacent sample matrix. The L1 norm least square method is used to solve the sparse coefficients of test samples. After that, the test sample residuals are reconstructed to achieve classification. The method and system make use of the locality and sparsity of the training sample data to make the recognition algorithm more stable, avoid excessive selection of other types of samples, and improve the accuracy of test sample classification. According to the invention, face recognition has good market prospects.

【技术实现步骤摘要】
一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统
本专利技术涉及人脸识别
，尤其涉及一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统。
技术介绍
人脸识别技术作为生物识别领域中一种基于生理特征的识别技术，是以通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。人脸与指纹、虹膜、声音等一样与生俱来，它们所具有的唯一性和不容易被复制的良好特性为身份鉴别提供了必要的前提；同其他的生物识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好、避免直接接触的优越性。因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。人脸识别的研究发展，从早在1888年和1910年就分别在Nature杂志发表了两篇关于利用人脸进行身份识别的文章到如今已经取得了很多大研究成果，可以分为以下五大类：基于几何特征的人脸识别算法，基于特征子空间(特征脸)的人脸识别算法，基于模板匹配的人脸识别算法，基于隐马尔可夫模型的人脸识别，基于神经网络的人脸识别算法。随着压缩感知理论和L1范数最有求解的发展，近年来稀疏表示受到国内外学者广泛的关注。2009年，JohnWright等人成本文档来自技高网...

【技术保护点】
1.一种基于稀疏系数相似的加权稀疏表示人脸识别方法，包括样本字典构造、邻近类选择、构造权重矩阵、图像分类识别过程，其特征在于：包括以下步骤：(1)在人脸识别系统中，假设训练人脸数据库A中有C个类别，每类有ni个像素为m×n大小的训练样本，其中ni为第i类训练人脸图像的个数，通过图像预处理将这ni个样本数据变为成列向量，即

【技术特征摘要】
1.一种基于稀疏系数相似的加权稀疏表示人脸识别方法，包括样本字典构造、邻近类选择、构造权重矩阵、图像分类识别过程，其特征在于：包括以下步骤：(1)在人脸识别系统中，假设训练人脸数据库A中有C个类别，每类有ni个像素为m×n大小的训练样本，其中ni为第i类训练人脸图像的个数，通过图像预处理将这ni个样本数据变为成列向量，即l＝m×n为训练样本列向量维数，一共有N个人脸训练样本，即得到训练样本矩阵A＝[A1，A2，...，AC]，假设测试样本y∈Ai类，且y能被A线性表示为y＝Ax，对获取的人脸训练样本和测试样本y进行图像预处理；(2)通过l1范式分别求出各个训练样本和测试样本y在矩阵A上的稀疏系数x1，x2，...，xN，xy，其中x1，x2，...，xN为每个训练样本的稀疏表示系数特征向量，xy为测试样本稀疏系数的特征向量，利用测试样本y的稀疏系数和每个训练样本稀疏系数之间的相似性，根据相似度量值的排序从训练样本中选择出k个与测试样本邻近的邻近样本；(3)将训练样本数据的线性关系和局部关系结合起来，为每个邻近训练样本定义权值qi，j，通过公式转化，使得更多的训练样本的权值为0或者接近于0，然后将所有权值构造权重矩阵Q；(4)采用l1范式最小二乘问题，结合邻近样本矩阵再次求解优化后的测试样本y的特征向量，即稀疏表示的稀疏系数，然后得到重构样本计算重构误差，最小误差的对应的分类结果就是所识别人脸图像。2.根据权利要求1所述的一种基于稀疏系数相似的加权稀疏表示人脸识别方法，其特征在于所述的步骤(2)中邻近样本选择采用稀疏系数余弦相似法计算求得，实现步骤如下：1)对每个训练样本和测试样本求解l1范式最小化下的稀疏系数ξ≥0是可以接受的误差，依次为训练样本和测试样本的稀疏系数；2)计算每个训练样本稀疏系数与测试样本稀疏系数之间的余弦相似度其中3)对所有相似度量依次从大到小排序，度量值越大的训练样本与测试样本越相似，差异...

【专利技术属性】
技术研发人员：潘炼，阮洋，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42