一种低秩分块稀疏表示的人脸识别方法技术

本发明专利技术公开了一种低秩分块稀疏表示的人脸识别方法，采用低秩矩阵分解并引入参考项，采用DCT算法，实现了图像的归一化，有效地解决了人脸图像中光照不均匀的问题。在分类阶段，利用聚类的思想，行之有效地提高了识别速度。将该算法用于标准人脸数据库上进行多次实验，实验结果表明：与现有人脸识别算法相比，本文算法的识别准确率和计算效率都得到了一致提高。在人脸图像出现遮挡、伪装、光照变化等复杂情况下以提高人脸识别的精度和稳健性。

【技术实现步骤摘要】

本专利技术公开了，涉及图像处理和模式识别领域。
技术介绍
人脸识别是计算机视觉领域里一项热门的研究课题，它广泛采用特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。对于一种稳健的人脸识别算法，需要有效地处理人脸识别中人脸遮挡、伪装、光照变化、图像漂移等多方面的挑战。稀疏编码是一种新兴的人脸识别算法。它在稀疏条件约束下，将需要识别的人脸图像视为所有训练图像的一个线性组合。稀疏表示编码利用LI范数和LO范数达到了令人满意的识别精度，类似的算法还有线性回归分类。这些方法在某些控制条件下能够表现的很好，然而当测试图像或训练图像中有连续性遮挡、伪装的时候表现的却很差。因此，模块化方法才得以同时应用到稀疏表示编码和线性回归分类。然而，模块化稀疏表示编码和模块化线性回归分类有一个共同的缺点:它们的每一个模块都是独立处理的，失去了模块与模块之间的关联信息。在人脸识别领域，光照变化仍然是一个极具挑战性的问题。现有的解决光照变化问题的方法有许多。例如，直方图均衡化、图像灰度校本文档来自技高网...

【技术保护点】
一种低秩分块稀疏表示的人脸识别方法，其特征在于，具体步骤如下：步骤一、对于人脸图像数据库中的每一个主体，随机选择其一部分作为训练图像，另一部分作为测试图像，将所有主体的训练图像和测试图像分别整合构成初始的训练数据矩阵和测试矩阵；步骤二、将训练数据矩阵D分解成A+E，其中A代表低秩分解矩阵，E代表分解后的稀疏误差，通过最小化低秩分解矩阵A的秩，同时减小零范数||E||0的值来达到训练数据矩阵D的最佳低秩逼近，低秩分解矩阵分解的公式：minA,E||A||*+λ||E||1s.t.D=A+E---(1)公式（1）中，核范数||A||*是低秩分解矩阵A秩的近似值，一范数||E||1是零...

【技术特征摘要】
1.一种低秩分块稀疏表示的人脸识别方法，其特征在于，具体步骤如下: 步骤一、对于人脸图像数据库中的每一个主体，随机选择其一部分作为训练图像，另一部分作为测试图像，将所有主体的训练图像和测试图像分别整合构成初始的训练数据矩阵和测试矩阵； 步骤二、将训练数据矩阵D分解成A+E，其中A代表低秩分解矩阵，E代表分解后的稀疏误差，通过最小化低秩分解矩阵A的秩，同时减小零范数I IeI IC1的值来达到训练数据矩阵d的最佳低秩逼近，低秩分解矩阵分解的公式: 2.如权利要求1所述的一种低秩分块稀疏表示的人脸识别方...

【专利技术属性】
技术研发人员：胡昭华，赵孝磊，徐玉伟，何军，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：