基于低秩分解和稀疏表示残差对比的多姿态人脸识别方法技术

本发明专利技术公开一种基于低秩特征和稀疏表示比较分类的多姿态人脸识别方法。本发明专利技术首先通过对偶低秩分解方法对输入人脸图片进行降维分解优化，得到去除了姿态结构的第一型低秩特征；其次结构化不相关的低秩分解，通过增广拉格朗日乘子法ALM进行交替迭代求解获得第二型低秩特征；最后基于稀疏表示的残差对比分类：如果两种特征分类结果相同，则分类标签保持不变，若分类标签不相同时，则构建残差率对比模型，比较两种特征经过稀疏表示后的次最小残差与最小残差的差与最小残差的比值。选择两种特征中残差率较高的分类结果作为最终的分类类别。本发明专利技术使用的低秩分解方法和稀疏表示残差对比模型能够有效去除姿态结构对识别效果造成的干扰。

【技术实现步骤摘要】
基于低秩分解和稀疏表示残差对比的多姿态人脸识别方法
本专利技术属于计算机图像处理
，涉及一种多种姿态下的基于低秩分解和稀疏表示残差对比的人脸识别方法。
技术介绍
多姿态人脸数据在当今社会具有很广泛的用途，基于不同角度的数据感知和数据获取能够帮助研究人员更好地进行数据表示。因此，针对多姿态人脸数据的人脸识别研究也成为生物特征识别和模式识别领域的重要发展方向。考虑到不同的人脸姿态之间存在较大的差异性，在一个样本中通常存在两种结构，即人脸类别结构和姿态类别结构。这两种类别结构在原始图像数据中是相互纠缠的。因此，如何克服多姿态人脸数据对识别正确率造成的干扰，确保在不同姿态混合情况下获得较高的识别率是人脸识别研究热点之一。为了进一步研发得到更为准确、高效的人脸识别算法，研究人员在传统机器学习与深度学习等领域均有涉猎。其中包括，2017年，Zhong等人提出了基于CNN的端到端人脸识别算法。Li等人提出年龄因子引导的基于CNN的人脸识别模型，Lu等人提出基于ResNet的低分辨率人脸识别模型，均在人脸识别领域取得了良好的实验效果。在上述提到的算法中，许多算法对于数据中姿态变化等干扰不具有鲁本文档来自技高网...

【技术保护点】
1.基于低秩分解和稀疏表示残差对比的多姿态人脸识别方法，其特征在于该方法具体是：步骤S1：从数据库中选择具有多种不同姿态变化的人脸图片，对其进行尺寸归一化、人脸检测、滤波去噪和直方图均衡化；步骤S2：将每一幅输入的人脸图片列向量化获得矩阵X，在低秩分解模型中添加有监督的正则项Ω(P,Zc,Zv)，形成目标优化模型；通过增广拉格朗日法对其进行对偶低秩分解同时获得Zc和Zv，从而获得第一型低秩特征；其中的目标优化模型为：

【技术特征摘要】
1.基于低秩分解和稀疏表示残差对比的多姿态人脸识别方法，其特征在于该方法具体是：步骤S1：从数据库中选择具有多种不同姿态变化的人脸图片，对其进行尺寸归一化、人脸检测、滤波去噪和直方图均衡化；步骤S2：将每一幅输入的人脸图片列向量化获得矩阵X，在低秩分解模型中添加有监督的正则项Ω(P,Zc,Zv)，形成目标优化模型；通过增广拉格朗日法对其进行对偶低秩分解同时获得Zc和Zv，从而获得第一型低秩特征；其中的目标优化模型为：s.t.PTX＝PTX(Zc+Zv)+E,PTP＝Ip式中，λ、λ1和α为平衡各变量的正参数，Zc和Zv分别为人脸类别结构和姿态结构的低秩内容，E为稀疏内容，P是经过优化后学习到的子空间，p表示降维后的维度；正交约束PTP＝Ip能够避免P中不必要的冗余解，Ω(P,Zc,Zv)为添加的正则项，用于分解姿态结构和人脸类别结构；步骤S3：在低秩分解模型中添加基于分类内容的子项以去除相同姿态下的共同信息，通过增广...

【专利技术属性】
技术研发人员：付晓峰，张予，付晓鹃，吴卿，徐岗，李建军，杨易平，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33