基于互信息和字典学习的人脸识别方法技术

一种基于互信息和字典学习的人脸识别方法由图像预处理、确定最大互信息系数MIC、设计字典学习目标函数J(D,X)、字典D和稀疏矩阵X的初始化、学习字典D和稀疏矩阵X、识别人脸图像步骤组成。本发明专利技术采用了确定最大互信息系数MIC和设计字典学习目标函数J(D,X)，人脸图像分类准确率随着原子数目增加稳定增长，分类准确率高于目前字典学习人脸识别方法，互信息量化了两个变量之间的关联程度，根据互信息原理求出字典原子与训练样本之间的最大互信息系数，将最大互信息系数作为一个参考项，在字典学习的过程中对每一个原子附加一个对应的权重系数，每个原子都能带有不同的权重去学习，获得判别能力更强的字典，提高了人脸识别的准确率，可用于人脸图像处理。

【技术实现步骤摘要】
基于互信息和字典学习的人脸识别方法
本专利技术属于图像处理
，具体涉及一种基于互信息的字典学习人脸识别方法。
技术介绍
目前，字典学习的方法有很多种，构造字典的方法可以分为解析法和学习法。解析法主要是利用谐波技术或者数学转化技术来构造相应的字典，例如：轮廓波转换、小波变换、离散余弦变换、剪切波、参数化字典等方法。学习法的目的是基于每个训练样本自身学习到一个过完备字典，这样，学习到的过完备字典中的原子就可以匹配到训练样本，并且能更好地表示训练样本，也更加具有稀疏性。最近的研究表明，通过学习法获得的字典在图像分类、图像去噪、图像超分辨率和图像修复方面都比分析法表现出了更好的效果。由Aharon等人提出的K-SVD(K-means-basedsingularvaluedecomposition)算法是学习法中具有代表性的一种算法。在字典中，那些保留训练样本的特征和具有判别性的原子，对于图像分类是很有帮助的。许多学者为了提高字典的性能做了大量的尝试，在原子自适应性和重构方面设计判别约束是目前比较普遍的方法。例如Yang等人提出的FDDL(本文档来自技高网...

【技术保护点】
1.一种基于互信息和字典学习的人脸识别方法，其特征在于由下述步骤组成：/n(1)图像预处理/n在The extended Yale B数据集中取不同光照条件和表情的不同类别的正面人脸图片，每个人有59～64张图片，将每张照片大小归一化至尺寸为32×32，选择每个人的32张图片作为训练样本，剩余的图片作为测试样本；/n(2)确定最大互信息系数MIC/n按下式确定最大互信息系数MIC：/n

【技术特征摘要】
1.一种基于互信息和字典学习的人脸识别方法，其特征在于由下述步骤组成：
(1)图像预处理
在TheextendedYaleB数据集中取不同光照条件和表情的不同类别的正面人脸图片，每个人有59～64张图片，将每张照片大小归一化至尺寸为32×32，选择每个人的32张图片作为训练样本，剩余的图片作为测试样本；
(2)确定最大互信息系数MIC
按下式确定最大互信息系数MIC：



其中D是每次迭代后学习到的字典，C是训练样本的标签向量，S是数据空间大小，d是字典中的原子，c是与原子对应的标签向量，p(d,c)表示(d,c)的联合分布；
(3)设计字典学习目标函数J(D,X)
按下式设计目标函数J(D,X)：



其中Y为训练集的图片矩阵，X为稀疏矩阵，稀疏矩阵表示在矩阵中，数值为0的元素数目远远多于非0元素的数目，并且非0元素分布没有规律，||·||F表示Frobenius范式，W为每个原子与对应标签向量之间的权重系数W(s,s)：



其中s为1,…,n字典中的原子数量，n为有限的正整数，λ是判断权重参数取值的参考标准，λ1取值为0.5～1；
(4)字典D和稀疏矩阵X的初始化
采用常规方法将字典D和稀疏矩阵X进行初始化；
(5)学习字典D和稀疏矩阵X
通过以下步骤学习字典D和稀疏矩阵X：
固定字典D...

【专利技术属性】
技术研发人员：刘侍刚，曹清华，彭亚丽，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西;61