The invention discloses a low-resolution illumination robust face recognition method based on probability sparse representation, which includes the following steps: step 1, constructing linear subspace S; step 2, sparsely and linearly combining face image training samples in linear subspace S to form multiple new face image points; step 3, given a test image y, according to the distribution probability P (l) of the target face image point X. (x)< lX) Calculate the probability P(l(y)< lX) of class label of test image y in linear subspace S; Step 4, calculate the probability P(l(y)< lX) of class label of test image y in linear subspace S according to the probability P(l(y)< lX) of class label of test image y in linear subspace S, calculate the probability P(l(y)= k), k= 1, 2,..., K; Step 5, repeat step 4 until the probability that test image y belongs to each class of linear subspace S will be tested. It is attempted that the class corresponding to the most probabilistic probability of each class in linear subspace S belongs to the class of test image y.
【技术实现步骤摘要】
基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法
本专利技术属于人脸识别
,具体涉及一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法。
技术介绍
人脸识别一直是最流行的生物识别方法,在未来几十年中具有巨大的应用潜力。当训练样本足够多并且有利的时候能够得到良好的特征表示用于描述人脸的特征,但是在现实世界中每个人的人脸图像经常被遮挡、光照、距离等一些外在因素所影响。因此,具有低质量图像的人脸识别比具有足够多且有利的训练样本的人脸识别更具有挑战性。基于稀疏表示分类的人脸识别方法近年来已经表现出良好的人脸识别性能。但是基于稀疏表示分类的人脸识别方法的基本假设为不同个体的子空间满足某些不连贯性,但是由于共同的面部器官分布并不能总是有效保持这种假设,并且不擅长利用经常出现在实际应用中的低质量图像(例如,伪装,阴影,低分辨率等)进行人脸识别。
技术实现思路
针对现有技术中存在的不足,本专利技术的目的在于,提供一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,解决现有技术无法解决的受光照影响低分辨率人脸识别问题。为了解决上述技术问题,本申请采用如下技术方案予以实现:一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,包括以下步骤:步骤1,构建一组人脸图像训练样本集X=[X1,...,Xk,....,XK],其中Xk为第k类样本矩阵,该人脸图像训练样本集即为线性子空间S,所述线性子空间S包括K类子空间;步骤2,将线性子空间S内的人脸图像训练样本乘以多组稀疏编码向量得到多个新的人脸图像点,并分别得到所述多个新的人脸图像点的分配概率;步骤3,给定一个测试图像y,该测试图像y ...
【技术保护点】
1.一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,其特征在于,包括以下步骤:步骤1,构建一组人脸图像训练样本集X=[X1,...,Xk,....,XK],其中Xk为第k类样本矩阵,该人脸图像训练样本集即为线性子空间S,所述线性子空间S包括K类子空间;步骤2,将线性子空间S内的人脸图像训练样本乘以多组稀疏编码向量得到多个新的人脸图像点,并分别得到所述多个新的人脸图像点的分配概率;步骤3,给定一个测试图像y,该测试图像y不属于线性子空间S,将多个新的人脸图像点中与测试图像y的相似概率最大的新的人脸图像点作为目标人脸图像点x,设该目标人脸图像点x的分配概率为P(l(x)∈lX),根据该目标人脸图像点x的分配概率P(l(x)∈lX)计算测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX),其中lX是线性子空间S中所有人脸样本的标签集;步骤4,在线性子空间S中任选一类子空间作为当前类子空间Xk,根据测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX)计算测试图像y属于当前类k的概率P(l(y)=k),k=1,2,...,K;步骤5,重复步骤4,直至得到测试图像y属于线性子空 ...
【技术特征摘要】
1.一种基于概率稀疏表示的低分辨率光照鲁棒人脸识别方法,其特征在于,包括以下步骤:步骤1,构建一组人脸图像训练样本集X=[X1,...,Xk,....,XK],其中Xk为第k类样本矩阵,该人脸图像训练样本集即为线性子空间S,所述线性子空间S包括K类子空间;步骤2,将线性子空间S内的人脸图像训练样本乘以多组稀疏编码向量得到多个新的人脸图像点,并分别得到所述多个新的人脸图像点的分配概率;步骤3,给定一个测试图像y,该测试图像y不属于线性子空间S,将多个新的人脸图像点中与测试图像y的相似概率最大的新的人脸图像点作为目标人脸图像点x,设该目标人脸图像点x的分配概率为P(l(x)∈lX),根据该目标人脸图像点x的分配概率P(l(x)∈lX)计算测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX),其中lX是线性子空间S中所有人脸样本的标签集;步骤4,在线性子空间S中任选一类子空间作为当前类子空间Xk,根据测试图像y的类标签在线性子空间S中的概率P(l(y)∈lX)计算测试图像y属于当前类k的概率P(l(y)=k),k=1,2,...,K;步骤5,重复步骤4,直至得到测试图像y属于线性子空间S中每一类的概率,将测试图像y属于线性子空间S中每一类的概率中最大概率所对应的类作为测试图像y所属类。...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。