利用稀疏表示进行人脸识别的集成方法技术

本发明专利技术公开了一种利用稀疏表示进行人脸识别的集成方法，主要解决现有K-SVD字典学习方法识别稳定性低的问题。其实现步骤是：利用旋转森林算法生成旋转矩阵，通过旋转矩阵把同一人脸样本数据随机投影到不同的坐标系中，投影后的人脸样本数据比原数据更易于判别；利用稀疏表示分类方法对投影后的人脸样本数据进行识别；对投影后人脸样本的识别结果进行投票选择，得到原人脸样本的识别结果。本发明专利技术较现有的基于稀疏表示分类方法，在识别正确率和稳定性方面都有提高，可用于安全验证系统。

【技术实现步骤摘要】

本专利技术属于数字图像处理
，涉及数据的分类，可用于人脸识别。
技术介绍
稀疏表示，已成为近年来数字图像处理研究的热点，其思想是指用尽可能简洁的 方式表示图像，即用很少的数据捕获目标图像的的重要信息，这一思想为图像表示提供了 新的理论与方法，具有重要的理论意义。2008年，A. Yang等人提出了一种基于稀疏表示的人脸识别方法，其思想是将人脸 识别看做为一个线性组合的过程，同一个人的人脸图像可以由该人的其他人脸图像很好的 线性表示，即测试样本可以由训练样本线性表示，根据训练样本的标签对测试样本进行分 类。该方法思路新颖，独特，引领了新一轮的基于稀疏表示的分类算法研究。在此基础上， J. Mairal等人提出了一种基于字典学习的稀疏表示分类方法，该方法通过K-SVD算法对训 练样本进行学习，得到不同类别样本的字典，将测试样本在每个字典上稀疏分解，利用稀疏 分解的误差进行识别分类。当训练样本足够多时，该方法可以得到很好的效果，但当训练样 本较少时，该方法所得的结果并不稳定，这主要是由于当训练样本较少时，K-SVD算法每次 学习得到的字典有一定的差异。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出一种利用稀疏表示进行人脸识 别的集成方法，以提高人脸识别的稳定性和识别正确率。实现本专利技术目的的技术思路是将旋转森林算法引入到稀疏表示分类中，通过投票 选择，构造集成分类系统。其具体实现步骤包括如下(1)将所有人脸样本图像分别变换成一个向量，对所有向量进行归一化和随机降 维处理，将处理后的向量随机分为测试样本集和训练样本集，定义测试样本集为y，训练样 本集为A，其中A= {A1, A2, K AN}，N表示训练样本集的类别数，Ai, i = l，2，K，N表示第i 类的训练样本；(2)利用旋转森林算法产生K个旋转矩阵，通过旋转矩阵将训练样本集A = {A1， A2，KAnI和测试样本集y映射为K组新的训练样本集4 ={劣,4其4。和测试样本集yj，j =1，2，1(，1(，其中為,1 = 1，2，K，N表示第i类训练样本通过第j个旋转矩阵投影所得到的 新的训练样本，Yj表示测试样本集通过第j个旋转矩阵投影所得到的新的测试样本集；(3)利用K-SVD算法对新的训练样本集4 = {A),A%K 4^}进行学习，得到K组相对 应的字典集 A ={/);.,/),K,= 1,2,K,K；(4)将新的测试样本集7」在字典集Ζ), ={/);.,巧其，《沖的每个字典Z);.，i = 1， 2，K，N上进行稀疏分解，求得分解系数为l;=argmin||X； H1 subject to y] =D1jX1j ，其中巧为稀疏分解过程中的中间系数变量；(5)计算新的测试样本集h在每个字典上的重构误差r； =Wyj-D^ II，定义K组字 典上的重构误差为力={ 其，彳}，j = 1,2,K,K；(6)计算新的测试样本集&在K组字典集上的K个识别结果为{Ρ1，Ρ2，Κ，ΡΚ}，其中A=ai"gmin )，i = 1，2，K，N，j = 1，2，K，K，对{Ρι，ρ2，Κ，ρκ}进行投票选择，得到原始i测试样本集y的识别结果为= argmin(/^(^; = /))。本专利技术与现有的技术相比具有以下优点1)本专利技术由于采用了旋转森林算法，通过旋转矩阵把同一样本数据随机投影到不 同的坐标系中，投影后的样本数据比原数据更易于判别，因此提高了识别的正确率；2)本专利技术由于采用了旋转森林算法和投票选择方法，故可弥补K-SVD学习方法不 稳定的缺点，从而提高识别结果的稳定性。附图说明图1是本专利技术的流程图；图2是本专利技术仿真使用的Extended Yale B人脸库的部分样本图；图3是本专利技术与基于稀疏表示分类方法在稳定性方面的对比仿真结果图。图4是集成规模对本专利技术分类正确率的影响曲线图。具体实施例方式参照图1，本专利技术的具体实现步骤如下步骤1，将所有人脸样本图像分别变换成一个向量，对所有向量进行归一化和随机 降维处理，将处理后的向量随机分为测试样本集和训练样本集，定义测试样本集为y，训练 样本集为A，其中A= {A1, A2, K AN}，N表示训练样本集的类别数，Ai, i = 1，2，K，N表示第 i类的训练样本。步骤2，利用旋转森林算法产生K个旋转矩阵，通过旋转矩阵将训练样本集A = IA1jA2jK AnI和测试样本集y映射为K组新的训练样本集4= { K= 1,2,K,K 和测试样本集y」，j = 1,2, K, K0定义Y为训练样本集A对应的标签集合，其中Y = ，Wi，i = 1,2, K, N表示Ai对应的标签，定义F表示训练样本集的特征集，假设A中共有η个训练样本，每个 训练样本有m个特征，则F为nXm的矩阵，定义k为随机分割块数，旋转映射的具体步骤如 下2a)将特征集F随机分割成k个不交叉的子集，假设每个子集均包含M个特征，则 M = (n Xm) /k ；2b)令Fv，ν = 1，2，K，k表示第ν个特征子集，令Av表示A中只包含Fv的样本子 集，从Av所有样本中抽取75%的样本，构成一个新的样本集A' “然后对新样本集A' ▽采 用主成分分析变换，生成系数矩阵Cv，令<，K，^表示矩阵中的系数，每个系数为MX 1的向 量；2c)使用系数矩阵Cv中的系数构造系数旋转矩阵R ；权利要求1.一种，包括如下步骤(1)将所有人脸样本图像分别变换成一个向量，对所有向量进行归一化和随机降维处 理，将处理后的向量随机分为测试样本集和训练样本集，定义测试样本集为y，训练样本集 为A，其中A = {A1，A2, KAnI，N表示训练样本集的类别数，Ai, i = 1,2, K, N表示第i类的训 练样本；(2)由旋转森林算法产生K个旋转矩阵，通过旋转矩阵将训练样本集A={A1, A2, KAnI 和测试样本集y映射为K组新的训练样本集4= { K <}，j = 1,2, K，K和测试样本 集j = 1,2, K，K，其中為,i = 1，2，K，N表示第i类训练样本通过第j个旋转矩阵投影 所得到的新的训练样本，Yj表示测试样本集通过第j个旋转矩阵投影所得到的新的测试样 本集；(3)利用K-SVD算法对新的训练样本集4=4^}进行学习，得到K组相对应的 字典集 A ={/);.,/),K,= 1,2,K,K；(4)将新的测试样本集7」在字典集巧={/);.,巧其，/^沖的每个字典/^= 1,2, K, N 上进行稀疏分解，求得分解系数为(1； =RrgminII^II1 subject to y} = D)X)，其中《为稀疏分解过程中的中间系数变量；(5)计算新的测试样本集y」在每个字典上的重构误差r；=||力-D)X\ ||，定义K组字典上 的重构误差为力={ K ,r；}, j = 1,2,K,K；(6)计算新的测试样本集y」在K组字典集上的K个识别结果为{Pl，p2,K，Ρκ}，其中^=argmin(r；) = ι,2,Κ, N, j = 1，2，Κ，Κ，对{Pl，ρ2，K，ρκ}进行投票选择，得到原始 测试样本集y的识别结果为= argmin(/^(^; = /))。2.根据权利要求1所述的利用稀疏表示进本文档来自技高网...

【技术保护点】
一种利用稀疏表示进行人脸识别的集成方法，包括如下步骤：（１）将所有人脸样本图像分别变换成一个向量，对所有向量进行归一化和随机降维处理，将处理后的向量随机分为测试样本集和训练样本集，定义测试样本集为ｙ，训练样本集为Ａ，其中Ａ＝｛Ａ↑［１］，Ａ↑［２］，ＫＡ↑［Ｎ］｝，Ｎ表示训练样本集的类别数，Ａ↑［ｉ］，ｉ＝１，２，Ｋ，Ｎ表示第ｉ类的训练样本；（２）由旋转森林算法产生Ｋ个旋转矩阵，通过旋转矩阵将训练样本集Ａ＝｛Ａ↑［１］，Ａ↑［２］，ＫＡ↑［Ｎ］｝和测试样本集ｙ映射为Ｋ组新的训练样本集Ａ↓［ｊ］＝｛Ａ↓［ｊ］↑［１］，Ａ↓［ｊ］↑［２］，ＫＡ↓［ｊ］↑［Ｎ］｝，ｊ＝１，２，Ｋ，Ｋ和测试样本集ｙ↓［ｊ］，ｊ＝１，２，Ｋ，Ｋ，其中Ａ↓［ｊ］↑［ｉ］，ｉ＝１，２，Ｋ，Ｎ表示第ｉ类训练样本通过第ｊ个旋转矩阵投影所得到的新的训练样本，ｙ↓［ｊ］表示测试样本集通过第ｊ个旋转矩阵投影所得到的新的测试样本集；（３）利用Ｋ－ＳＶＤ算法对新的训练样本集Ａ↓［ｊ］＝｛Ａ↓［ｊ］↑［１］，Ａ↓［ｊ］↑［２］，ＫＡ↓［ｊ］↑［Ｎ］｝进行学习，得到Ｋ组相对应的字典集Ｄ↓［ｊ］＝｛Ｄ↓［ｊ］↑［１］，Ｄ↓［ｊ］↑［２］，ＫＤ↓［ｊ］↑［Ｎ］｝，ｊ＝１，２，Ｋ，Ｋ；（４）将新的测试样本集ｙ↓［ｊ］在字典集Ｄ↓［ｊ］＝｛Ｄ↓［ｊ］↑［１］，Ｄ↓［ｊ］↑［２］，ＫＤ↓［ｊ］↑［Ｎ］｝中的每个字典Ｄ↓［ｊ］↑［ｉ］ｉ＝１，２，Ｋ，Ｎ上进行稀疏分解，求得分解系数为：＊↓［ｊ］↑［ｉ］＝ａｒｇｍｉｎ‖Ｘ↓［ｊ］↑［ｉ］‖↓［１］ｓｕｂｊｅｃｔｔｏｙ↓［ｊ］＝Ｄ↓［ｊ］↑［ｉ］Ｘ↓［ｊ］↑［ｉ］，其中Ｘ↓［ｊ］↑［ｉ］为稀疏分解过程中的中间系数变量；（５）计算新的测试样本集ｙ↓［ｊ］在每个字典上的重构误差ｒ↓［ｊ］↑［ｉ］＝‖ｙ↓［ｊ］－Ｄ↓［ｊ］↑［ｉ］＊↓［ｊ］↑［ｉ］‖，定义Ｋ组字典上的重构误差为：ｒ↓［ｊ］＝｛ｒ↓［ｊ］↑［１］，ｒ↓［ｊ］↑［２］，Ｋ，ｒ↓［ｊ］↑［Ｎ］｝，ｊ＝１，２，Ｋ，Ｋ；（６）计算新的测试样本集ｙ↓［ｊ］在Ｋ组字典集上的Ｋ个识别结果为：｛ｐ↓［１］，ｐ↓［２］，Ｋ，ｐ↓［Ｋ］｝，其中ｐ↓［ｊ］＝＊（ｒ↓［ｊ］↑［ｉ］），ｉ＝１，２，Ｋ，Ｎ，ｊ＝１，２，Ｋ，Ｋ，对｛ｐ↓［１］，ｐ↓［２］，Ｋ，ｐ↓［Ｋ］｝进行投票选择，得到原始测试样本集ｙ的识别结果为ｒｅｓｕｌｔ＝＊（ｌｅｎｇｔｈ（ｐ↓［ｊ］＝ｉ））。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王爽，焦李成，隋国雷，杨淑媛，侯彪，缑水平，钟桦，霍丽娜，高婷，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87