一种稀疏混合字典学习的人脸鉴别方法技术

本发明专利技术公开了一种基于稀疏混合字典学习的特征提取方法并将其应用在人脸鉴别中，在一定程度上提高了人脸鉴别的准确性，本发明专利技术以费舍尔判别准则和拉普拉斯矩阵为约束，利用类别特色字典提取数据类别之间的特殊性，在保留稀疏编码数据相似性的同时减小类内编码离散度，增大类间编码离散度；然后利用类内差异字典提取类别共性，捕捉不同类别的相同特征，最后将类别特色字典与类内差异字典相结合。使用本发明专利技术在AR、CMU‑PIE、LFW等人脸数据库上进行实验，结果表明，该方法在少样本训练条件下可以获得更高识别精度。

A face recognition method based on sparse hybrid dictionary learning

【技术实现步骤摘要】
一种稀疏混合字典学习的人脸鉴别方法
本专利技术涉及计算机图像处理
，尤其涉及图像特征提取与分类。
技术介绍
随着计算机硬件技术革新以及软件技术的发展，人脸鉴别逐渐应用在经济工程、社会安全等不同领域。基于深度学习的人脸鉴别方法虽然识别率高，但它依赖于需要大量的数据样本、高昂的硬件定义备以及长达数天的训练时间。与其相比，基于稀疏表示的人脸鉴别训练简单、对于噪声有较强鲁棒性，近年来引起国内外学者广泛关注。2009年，J.Wrigh等人提出基于稀疏表示的分类(SparseRepresentationBasedClassification，SRC)。该方法基于光照模型，假定义任一测试样本都可由该类训练样本集重构表示，通过选取最小重构误差进行分类，第一次将稀疏表示方法引入到人脸鉴别领域。而后，众多学者在SRC基础上提出改进方法。Zhang等人将SRC方法中约束项改为，提出CRC方法，在保证识别率的同时降低了求解稀疏编码的复杂度，使方法运行速度明显提升。Aharon等人依据误差最小原则，泛化K-means聚类，提出K-SVD方法，对误差项进行S本文档来自技高网...

【技术保护点】
1.一种稀疏混合字典学习的人脸鉴别方法，其特征在于：包括以下步骤，/n获取人脸图片进行下采样和降维作为训练样本集；/n以费舍尔判别准则和拉普拉斯矩阵为约束构建类别特色字典模型；/n利用所述类别特色字典模型，为每类样本单独学习一个子字典，从而提取所述训练样本集类别间的特殊性，保留稀疏编码数据相似性的同时减小类内编码离散度，增大类间编码离散度；/n构建类内差异字典模型，为所有样本共同学习一个字典，从而并提取所述训练样本集类别共性，捕捉不同类别的相同特征；/n将类别特色字典模型与类内差异字典模型分别习得的字典组合成新字典，保留类别特色字典稀疏编码，得到稀疏混合字典模型；/n待识别人脸图像数据输入所述...

【技术特征摘要】
1.一种稀疏混合字典学习的人脸鉴别方法，其特征在于：包括以下步骤，
获取人脸图片进行下采样和降维作为训练样本集；
以费舍尔判别准则和拉普拉斯矩阵为约束构建类别特色字典模型；
利用所述类别特色字典模型，为每类样本单独学习一个子字典，从而提取所述训练样本集类别间的特殊性，保留稀疏编码数据相似性的同时减小类内编码离散度，增大类间编码离散度；
构建类内差异字典模型，为所有样本共同学习一个字典，从而并提取所述训练样本集类别共性，捕捉不同类别的相同特征；
将类别特色字典模型与类内差异字典模型分别习得的字典组合成新字典，保留类别特色字典稀疏编码，得到稀疏混合字典模型；
待识别人脸图像数据输入所述稀疏混合字典模型内进行残差计算，根据每类人脸图像的最小残差值完成识别，经过分类器得到分类标签。


2.如权利要求1所述的稀疏混合字典学习的人脸鉴别方法，其特征在于：包括所述类别特色字典模型的训练步骤，
定义训练样本集A：A＝{A1,A2,…,AK}∈Rm×N，其中，A的每列表示一个m维向量，为第i类训练数据，为训练样本总数；
将训练数据A＝{A1,A2,…,AK}的特征向量初始化为字典的原子，对所述类别字典D的每一类归一化，使其l2范数为1；
固定所述类别字典D，更新稀疏系数X；
固定所述稀疏系数X，更新所述类别字典D；
重复循环两次更新，直到前后两次的函数的值达到阈值或者达到最大迭代次数为止。


3.如权利要求1或2所述的稀疏混合字典学习的人脸鉴别方法，其特征在于：包括所述类内差异字典模型的训练步骤，
定义标准数据N、变化数据X和初始化类内字典DS；
固定字典DS，更新稀疏系数αi,βi；
固定稀疏系数αi,βi，更新字典DS；
重复循环两次更新，直到前后两次的函数的值达到阈值或者达到最大迭代次数为止。


4.如权利要求3所述稀疏混合字典学习的人脸鉴别方法，其特征在于包括以下步骤，
利用训练得到的所述类别字典D和类内字典DS结合得到所述稀疏混合字典；
所述待识别人脸图像数据输入所述稀疏混合字典计算每类人脸图像的最小残差值；
所述最小残差值输入分类器内得到对应识别的分类标签。


5.如权利要求4所述的稀疏混合字典学习的人脸鉴别方法，其特征在于：提出所述类别特色字典模型的函数如下，



其中，Ai表示第i类训练样本，D表示整体字典，Di表示第i类字典，Xi表示被字典重构的稀疏系数，表示被字典Di重构的稀疏系数。


6.如权利要求5所述的稀疏混合字典学习的人脸鉴别方法，其特征在于：所述类别特色字典模型包括如下函数更新步骤，
当固定所述类别字典D，更新稀疏系数X时；
目标函数转化为：



当固定稀疏系数X，更新字典D时，采用逐个更新的方法更新字典D，即当更新第j个子字典时，默认其他子字典Dj(i≠j)已更新完毕；
目标函数转化为：



其中Xj是所有数据A由字典Dj表示的稀疏系数；
因此Q(Di)可转换为：



其中同理，逐个更新中的原子，当更新时，默认其他原子已更新完毕；
更新的步骤及公式如下所示：
定义Zi＝[z(1)；…；z(m)]，其中z(...

【专利技术属性】
技术研发人员：狄岚，矫慧文，顾雨迪，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32