CN106326871B - 一种基于字典分解和稀疏表示的鲁棒人脸识别方法 - Google Patents

一种基于字典分解和稀疏表示的鲁棒人脸识别方法 Download PDF

Info

Publication number
CN106326871B
CN106326871B CN201610744469.5A CN201610744469A CN106326871B CN 106326871 B CN106326871 B CN 106326871B CN 201610744469 A CN201610744469 A CN 201610744469A CN 106326871 B CN106326871 B CN 106326871B
Authority
CN
China
Prior art keywords
matrix
dictionary
norm
class
rarefaction representation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610744469.5A
Other languages
English (en)
Other versions
CN106326871A (zh
Inventor
曹飞龙
冯鑫山
赵建伟
周正华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN201610744469.5A priority Critical patent/CN106326871B/zh
Publication of CN106326871A publication Critical patent/CN106326871A/zh
Application granted granted Critical
Publication of CN106326871B publication Critical patent/CN106326871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于模式识别领域，特别涉及一种基于字典分解和稀疏表示的鲁棒人脸识别方法。设计字典分解模型从给定的人脸图像训练数据集中把人脸图像中的类特定信息提取出来，然后计算一个映射矩阵来描述类特定信息与原始训练数据之间的映射关系，并根据计算得到的映射矩阵对测试图像进行校正，然后利用主成分分析(PCA)降维，最后通过稀疏表示分类器(SRC)进行识别分类。本发明能够有效地避免SRC识别过程中由于训练数据被污染或者存在遮挡、缺失而产生的识别率大幅降低的问题，能够得到较高且稳定的识别效果。

Description

一种基于字典分解和稀疏表示的鲁棒人脸识别方法
技术领域
本发明属于模式识别领域，特别涉及一种基于字典分解和稀疏表示的鲁棒人脸识别方法。
背景技术
人脸识别技术是指对输入的视频流或静态的图像，在判断存在人脸并进一步标出人脸的位置后，提取人脸的特征信息，将其与预先存储的图像数据库进行对比，最终验证或者识别一个或者多个人身份的技术。人脸识别凭借其广泛的实际应用在近些年来已经成为计算机视觉和模式识别领域很热的一个课题。早期的人脸识别算法先对人脸图像进行降维(实质上就是人脸特征提取)，然后简单地应用最近邻分类器(nearest neighborhoodclassifier)分类。
1991年，Turk和Pentland提出了“特征脸”(Eigenfaces)算法，其算法的思想是把人脸图像从像素空间变换到另一个空间，在另一个空间进行分类。“特征脸”算法提出之后，迅速成为人脸识别的经典算法。2009年，Wright等人提出稀疏表示分类器算法(SparseRepresentation based Classification,SRC)，将用于训练的人脸图像进行线性稀疏表示，利用求解优化问题得到的稀疏系数对样本判别归类。但当训练样本被污染时，SRC并没有理想的效果，2011年，Candès、Li、Ma和Wright提出的鲁棒主成分分析(RPCA)提供了一种可以用来解决这种缺点的方法，RPCA把每个类的训练样本分解成一个低秩矩阵和一个稀疏矩阵之和，通过重建去除污染的图像进行识别。字典学习也被应用到解决SRC这方面不足当中。而通过字典学习得到了很好的表示字典，这种表示字典并不能保证有良好的分类判别能力，此后出现了一系列的判别力字典学习方法，通过设计字典学习算法从原始训练样本中得到判别力字典，这种判别力字典学习方法在字典的表示能力和分类能力之间做了平衡。
发明内容
本发明的目的是提供一种识别率较高的基于字典分解和稀疏表示的鲁棒人脸识别方法。
为了实现上述目的，本发明提供了如下技术方案：
本发明提供一种基于字典分解和稀疏表示的鲁棒人脸识别方法，包括如下步骤：
步骤一：根据字典分解模型得到求解模型
(1.1)根据人脸图像信息，得到字典分解模型为：D＝A+BX+E；
其中，D为训练数据矩阵，A称为类特定字典，包含了人脸图像中的类特定信息，B称为非类特定字典，包含人脸图像中的其他信息，X是B的系数矩阵，E是稀疏噪声矩阵；
(1.2)根据约束条件得到字典分解模型的求解模型如下：
s.t.D＝A+BX+E； (约束条件)
其中，rank(A)和rank(B)分别表示矩阵A和B的秩，表示矩阵X的F范数的平方，||E||0表示矩阵E的零范数，λ、τ和η是正的惩罚项系数；
(1.3)对步骤(1.2)得到的求解模型，分别利用优化秩函数和零范数的凸松弛核范数和1范数代替，得到最终的求解模型：
s.t.D＝A+BX+E； (约束条件)
其中，||A||*和||B||*分别表示矩阵A和矩阵B的核范数，即矩阵的所有奇异值之和，矩阵的核范数可以用来近似替代矩阵的秩函数；||E||1表示矩阵E的1范数，矩阵的1范数用来替代矩阵的零范数；D＝A+BX+E是约束条件；
步骤二：求解类特定字典A
对于步骤一(1.3)的求解模型，采用给定初值，固定其中两个优化另外两个的方法循环迭代求解：
(2.1)固定A和X，求解B和E；
(2.2)固定A和B，求解X和E；
(2.3)固定B和X，求解A和E；
步骤三：计算映射矩阵P
计算映射矩阵P来描述类特定字典A与训练数据矩阵D之间的关系：A＝PD；求解其中是D的伪逆矩阵；
步骤四：校正测试图像矩阵y，得到校正后的测试图像yp
利用步骤三中得到的映射矩阵P对测试图像矩阵y进行校正：yp＝Py；
步骤五：利用PCA降维
对类特定字典A和校正后的测试图像yp进行主成分分析PCA降维处理：
A'＝F(A),y'＝F(yp)； (公式九)
其中，F(·)在公式里表示的PCA降维操作，A'＝F(A)表示的是对矩阵A进行PCA降维操作得到降维后的类特定信息A'，y'＝F(yp)表示的是对校正后的测试图像矩阵yp进行相同的PCA降维操作得到降维后的测试图像y'；
步骤六：利用SRC分类
利用SRC基于稀疏表示的分类器对测试图像进行分类：
(6.1)直接把降维后的类特定信息A'和降维后的测试图像y'代入SRC模型中：
其中βSRC是正的惩罚项系数；
(6.2)求解得到稀疏表示系数α；
(6.3)计算测试图像与每一类根据稀疏表示系数α重建结果的残差确定测试图像属于哪一类：
其中，y'-Ai'αi的2范数表示的含义是校正后的测试图像y'与第i类根据稀疏表示系数αi重建结果的距离，表示使得y'-Ai'αi的2范数最小的i。
所述步骤二(2.1)的具体过程如下：
X赋初值为单位矩阵X＝I；
首先将每一类的训练数据进行奇异值分解：
Di＝Ui∑iVi T； (公式三)
然后把利用最大的奇异值对应的奇异值向量得到的对训练数据重建的结果赋予给A：
上述公式三中，Di表示第i类的训练数据矩阵，Ui、∑i和Vi T分别表示对Di进行奇异值分解得到的对应的矩阵；上述公式四中，Ui(1:m,1)表示矩阵Ui的第一列；∑i(1,1)表示∑i矩阵第一行第一列的那个元素，即Di的最大的奇异值；表示Vi矩阵的第一列的转置；上述公式五中，A＝(A1,A2,A3,...,AN)是把每一类得到的Ai组成一个大矩阵；在这里的含义是指实数域，的含义是矩阵Ai是m行Ni列的，并且矩阵Ai里的元素都是属于实数域的。
根据上述公式三至五给定A的初值和X的初值X＝I之后，同时代入步骤一(1.3)中的求解模型得到：
s.t.D-A＝BX+T； (约束条件)
其中，||B||*表示矩阵B的核范数，||T||1表示矩阵T的1范数；λ和δ是正的惩罚项系数；步骤一(1.3)中的求解模型因为现在固定了A和X所以可以写成上述模型，而原始的约束条件D＝A+BX+E也因此写成了D-A＝BX+T；
通过增广拉格朗日乘子法求解上述模型可以得到B和T。
所述步骤二(2.2)的具体过程如下：
分别把A和B赋值为步骤二(2.1)中使用的A和步骤二(2.1)得到的B；代入步骤一(1.3)中的求解模型得到：
s.t.D-A＝BX+T； (约束条件)
其中，表示矩阵X的F范数的平方，||T||1表示矩阵T的1范数，τ和δ是正的惩罚项系数；步骤一(1.3)中的求解模型因为现在固定了A和B所以可以写成上述模型，原始的约束条件D＝A+BX+E也因此写成了D-A＝BX+T；
利用增广拉格朗日乘子法求解得到X和T。
所述步骤二(2.3)的具体过程如下：
分别把B和X赋值为步骤二(2.1)得到的B和步骤二(2.2)得到的X；代入步骤一(1.3)中的求解模型得到：
s.t.D-BX＝A+T； (约束条件)
其中，||A||*表示矩阵A的核范数，||T||1表示矩阵T的1范数，η是正的惩罚项系数；步骤一(1.3)中的求解模型因为现在固定了B和X所以可以写成上述模型，原始的约束条件D＝A+BX+E也因此写成了D-BX＝A+T；
利用鲁棒主成分分析RPCA求解得到A和E。
所述步骤二中，进行四次循环迭代求解达到预设的收敛条件：
其中ε＝10-4；
从而求解得到最终的A和E。
所述步骤中，对类特定字典A和校正后的测试图像yp进行主成分分析PCA降维处理的维度分别为25、50、75、100和150。
所述步骤六(6.3)中，具体判定方法如下：
对于步骤六(6.2)中得到的稀疏表示系数α，对每一类i，都有对应于标签i的降维后的类特定信息Ai'和对应于标签i的稀疏表示系数αi。然后计算对应于第i类的降维后的测试图像y'与重建结果的误差e(i)＝||y'-Ai'αi||2。对所有的i，都计算出误差对应的e(i)，比较误差e(i)，哪一类的误差最小，测试图像y'就属于哪一类。
与现有技术相比，本发明的有益效果在于：
相比于SRC和一些基于SRC的人脸识别算法，本发明的方法的识别率较高，而且当人脸图像训练数据存在污染、缺失、遮挡时，本发明的方法通过字典分解提取训练数据中的类特定信息，然后通过映射矩阵校正测试图像，识别过程几乎不受污染、缺失和遮挡的影响。有效地解决了因训练数据存在污染、缺失和遮挡而产生的识别率低的问题。
附图说明
图1为AR人脸数据库的一些人脸图片；
图2为字典分解的结果；
图3为本发明基于字典分解和稀疏表示的鲁棒人脸识别方法的整体流程框图。
具体实施方式
本发明设计了大量实验对本发明的方法进行验证，下面结合有太阳镜遮挡的AR人脸数据库对本发明进行进一步说明。
AR人脸数据库一共有100个不同的个体，其中50个女性，50个男性，每个人都有26张图片，这26张图片中，第1～7张和第14～20张图片是只包含表情和光照变化的图片，第8～10张和第21～23张图片是带有太阳镜遮挡的图片，第11～13张和第24～26张是带有丝巾遮挡的图片。每张图片被裁剪成165×120像素大小，然后每张图片都被拉成列向量组成一个19800×2600的矩阵。
本实例选取数据库中第1～7张不带遮挡的图片和从第8～10张中随机选取一张带有太阳镜遮挡的图片作为训练数据；选取第14～20张和剩下的5张太阳镜遮挡的图片作为测试数据。每一类的训练数据有8张图片，测试数据有12张图片。
请参照图3，本发明提供一种基于字典分解和稀疏表示的鲁棒人脸识别方法，包括如下步骤：
步骤一：根据字典分解模型得到求解模型
(1.1)人脸图像中包含大量信息，可以分为包含人脸特征的类特定信息、其他信息和一些稀疏噪声。根据这一特点，得到字典分解模型为：D＝A+BX+E。
其中，D为训练数据矩阵，A称为类特定字典(包含了人脸图像中的类特定信息)，B称为非类特定字典(包含人脸图像中的其他信息)，X是B的系数矩阵，E是稀疏噪声矩阵。
(1.2)有了字典分解模型之后，需要对各个字典进行求解。上述字典分解模型有无穷个解，需要一些约束条件优化得出最优解。由于人脸图像中稀疏噪声的存在，可以假设D为一个满秩的矩阵，所以去除了稀疏噪声E之后的矩阵D-E应当是一个低秩的矩阵，那么A和B也是低秩矩阵，根据这些约束条件得到字典分解模型的求解模型如下：
s.t.D＝A+BX+E； (约束条件)
其中，rank(A)和rank(B)分别表示矩阵A和B的秩，表示矩阵X的F范数的平方，||E||0表示矩阵E的零范数，λ、τ和η是正的惩罚项系数。
(1.3)由于优化秩函数和零范数都是NP-hard问题，所以分别利用它们的凸松弛核范数和1范数代替，得到最终的求解模型，即求解过程使用的求解模型，后面部分简称为求解模型：
s.t.D＝A+BX+E。 (约束条件)
其中，||A||*和||B||*分别表示矩阵A和矩阵B的核范数(即矩阵的所有奇异值之和)，矩阵的核范数可以用来近似替代矩阵的秩函数。||E||1表示矩阵E的1范数，矩阵的1范数可以用来近似替代矩阵的零范数。由于优化矩阵的秩函数和零范数都是很难求解的，所以在求解中分别用它们的凸松弛核范数和1范数代替。D＝A+BX+E是约束条件。
步骤二：求解类特定字典A
由于求解模型有四个需要优化的未知项，采用给定初值，固定其中两个优化另外两个的方法循环迭代求解，具体过程如下：
(2.1)固定A和X。
X赋初值为单位矩阵X＝I。
由于A和B的约束条件是相同的，所以并不能保证分解后A包含类特定信息，而B包含其他信息，所以需要把我们能够知道的类特定信息尽可能多地赋给A，首先将每一类的训练数据进行奇异值分解(SVD-Singular Value Decomposition)：
Di＝Ui∑iVi T； (公式三)
然后把利用最大的奇异值对应的奇异值向量得到的对训练数据重建的结果赋予给A：
奇异值分解的数学原理和含义如下：
奇异值分解的描述：假设M是一个m×n阶矩阵，其中的元素全部属于复数域，则存在一个分解使得M＝UΣV*，其中U是m×m阶酉矩阵；Σ是半正定m×n阶对角矩阵；而V*，即V的共轭转置，是n×n阶酉矩阵。这样的分解就称作M的奇异值分解。Σ对角线上的元素即为M的奇异值。奇异值分解是矩阵分解的一种，可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。
上述公式三中，Di表示第i类的训练数据矩阵，Ui、∑i和Vi T分别表示对Di进行奇异值分解得到的对应的矩阵。上述公式四中，Ui(1:m,1)表示矩阵Ui的第一列；∑i(1,1)表示∑i矩阵第一行第一列的那个元素，即Di的最大的奇异值；表示Vi矩阵的第一列的转置。的含义就是利用Ai的最大奇异值对应的奇异值向量得到的对Di重建的结果。上述公式五中，A＝(A1,A2,A3,...,AN)就是把每一类得到的Ai组成一个大矩阵。在这里的含义是指实数域，的含义是矩阵Ai是m行Ni列的，并且矩阵Ai里的元素都是属于实数域的。
根据上述公式三至五给定A的初值和X的初值X＝I之后，同时代入步骤一(1.3)中的求解模型得到：
s.t.D-A＝BX+T； (约束条件)
其中，||B||*表示矩阵B的核范数，||T||1表示矩阵T的1范数。因为在循环求解的过程中，本应该用来表示稀疏噪声的矩阵E会包含除了稀疏噪声之外的其他信息，为了将两者进行区分，所以在求解的过程中将矩阵E用矩阵T来表示。λ和δ是正的惩罚项系数。步骤一(1.3)中的求解模型因为现在固定了A和X所以可以写成上述模型，而原始的约束条件D＝A+BX+E也因此写成了D-A＝BX+T。
通过增广拉格朗日乘子法求解上述模型可以得到B和T。
(2.2)固定A和B。
分别把A和B赋值为步骤(2.1)中使用的A和步骤(2.1)得到的B。代入步骤一(1.3)中的求解模型得到：
s.t.D-A＝BX+T； (约束条件)
其中，表示矩阵X的F范数的平方，||T||1表示矩阵T的1范数，τ和δ是正的惩罚项系数。步骤一(1.3)中的求解模型因为现在固定了A和B所以可以写成上述模型，原始的约束条件D＝A+BX+E也因此写成了D-A＝BX+T。
同样利用增广拉格朗日乘子法求解得到X和T。
(2.3)固定B和X。
分别把B和X赋值为步骤(2.1)得到的B和步骤(2.2)得到的X。代入步骤一(1.3)中的求解模型得到：
s.t.D-BX＝A+T； (约束条件)
其中，||A||*表示矩阵A的核范数，||T||1表示矩阵T的1范数，η是正的惩罚项系数。步骤一(1.3)中的求解模型因为现在固定了B和X所以可以写成上述模型，原始的约束条件D＝A+BX+E也因此写成了D-BX＝A+T。
这是个标准的低秩矩阵恢复问题，用鲁棒主成分分析RPCA-Robu st PrincipalComponent Analysis求解得到A和E。
当这三步完成时，一次循环也就完成了。实验过程中，大量的实验显示只需要四次循环可以达到预设的收敛条件其中ε＝10-4，从而求解得到最终的A和E。
步骤三：计算映射矩阵P
计算映射矩阵P来描述类特定字典A与训练数据矩阵D之间的关系：A＝PD；求解其中是D的伪逆矩阵。
步骤四：校正测试图像矩阵y，得到校正后的测试图像yp
因为测试图像矩阵y也是由类特定信息和其他信息组成的，但是由于只有单张图片，不能通过上述字典分解方法提取类特定信息，而因为类特定字典A只包含类特定信息，不能够很好地表示测试图像，这时如果直接对测试图像矩阵y用基于稀疏表示的分类器SRC进行分类，势必会得到较低的识别率。所以要先用步骤三中得到的映射矩阵P对测试图像矩阵y进行校正：yp＝Py。
校正原理：
假设步骤二得到的类特定字典A是存在于训练数据矩阵D的某个子空间，那么测试图像矩阵y中的类特定信息也应该存在于同一个子空间，步骤三计算出类特定字典A与训练数据矩阵D之间的映射关系矩阵P，利用该映射矩阵P对测试图像矩阵y进行映射，就可以得到测试图像矩阵y属于该子空间中的类特定信息。
步骤五：利用PCA降维
因为实际操作中人脸图像是拉成向量进行运算，维度太高运算量太大，所以分别对类特定字典A和校正后的测试图像yp进行主成分分析PCA(Principal ComponentAnalysis)降维：
A'＝F(A),y'＝F(yp)； (公式九)
其中，F(·)在公式里表示的PCA降维操作，A'＝F(A)表示的是对矩阵A进行PCA降维操作得到降维后的类特定信息A'，y'＝F(yp)表示的是对校正后的测试图像矩阵yp进行相同的PCA降维操作得到降维后的测试图像y'。
实施例中选取的维度分别为25、50、75、100和150。
步骤六：利用SRC分类
利用SRC-sparse representation-based classifier基于稀疏表示的分类器对测试图像进行分类：
(6.1)直接把降维后的类特定信息A'和降维后的测试图像y'代入SRC模型中：
直接套用SRC模型就可以得到上述模型，其中βSRC是正的惩罚项系数；
(6.2)求解得到稀疏表示系数α；
(6.3)计算测试图像与每一类根据稀疏表示系数α重建结果的残差确定测试图像属于哪一类：
其中，||y'-Ai'αi||2表示的含义是校正后的测试图像y'与第i类根据稀疏表示系数αi重建结果的距离，表示使得y'-Ai'αi的2范数最小的那个i，上述公式十一的含义是测试图像属于使得上述距离最小的那一类。
详细的判定方法如下：
对于步骤六(6.2)中得到的稀疏表示系数α，对每一类i，都有对应于标签i的降维后的类特定信息Ai'和对应于标签i的稀疏表示系数αi。然后计算对应于第i类的降维后的测试图像y'与重建结果的误差e(i)＝||y'-Ai'αi||2。对所有的i，都计算出误差对应的e(i)，比较误差e(i)，哪一类的误差最小，测试图像y'就属于哪一类。
下表是上述实例运行10次的平均结果：
表1 带有太阳镜遮挡的AR数据库上的识别率

Claims (7)

1.一种基于字典分解和稀疏表示的鲁棒人脸识别方法，其特征在于：该方法包括如下步骤：
步骤一：根据字典分解模型得到求解模型
(1.1)根据人脸图像信息，得到字典分解模型为：D＝A+BX+E；
其中，D为训练数据矩阵，A称为类特定字典，包含了人脸图像中的类特定信息，B称为非类特定字典，包含人脸图像中的其他信息，X是B的系数矩阵，E是稀疏噪声矩阵；
(1.2)根据约束条件得到字典分解模型的求解模型如下：
s.t.D＝A+BX+E； (约束条件)
其中，rank(A)和rank(B)分别表示矩阵A和B的秩，表示矩阵X的F范数的平方，||E||0表示矩阵E的零范数，λ、τ和η是正的惩罚项系数；
(1.3)对步骤(1.2)得到的求解模型，分别利用优化秩函数和零范数的凸松弛核范数和1范数代替，得到最终的求解模型：
s.t.D＝A+BX+E； (约束条件)
其中，||A||*和||B||*分别表示矩阵A和矩阵B的核范数，即矩阵的所有奇异值之和，矩阵的核范数用来近似替代矩阵的秩函数；||E||1表示矩阵E的1范数，矩阵的1范数用来替代矩阵的零范数；D＝A+BX+E是约束条件；
步骤二：求解类特定字典A
对于步骤一(1.3)的求解模型，采用给定初值，固定其中两个优化另外两个的方法循环迭代求解：
(2.1)固定A和X，求解B和E；
(2.2)固定A和B，求解X和E；
(2.3)固定B和X，求解A和E；
步骤三：计算映射矩阵P
计算映射矩阵P来描述类特定字典A与训练数据矩阵D之间的关系：A＝PD；求解其中是D的伪逆矩阵；
步骤四：校正测试图像矩阵y，得到校正后的测试图像yp
利用步骤三中得到的映射矩阵P对测试图像矩阵y进行校正：yp＝Py；
步骤五：利用PCA降维
对类特定字典A和校正后的测试图像yp进行主成分分析PCA降维处理：
A'＝F(A),y'＝F(yp)； (公式九)
其中，F(·)在公式里表示的PCA降维操作，A'＝F(A)表示的是对矩阵A进行PCA降维操作得到降维后的类特定信息A'，y'＝F(yp)表示的是对校正后的测试图像矩阵yp进行相同的PCA降维操作得到降维后的测试图像y'；
步骤六：利用SRC分类
利用SRC基于稀疏表示的分类器对测试图像进行分类：
(6.1)直接把降维后的类特定信息A'和降维后的测试图像y'代入SRC模型中：
其中βSRC是正的惩罚项系数；
(6.2)求解得到稀疏表示系数α；
(6.3)计算测试图像与每一类根据稀疏表示系数α重建结果的残差确定测试图像属于哪一类：
其中，y'-A′iαi的2范数表示的含义是校正后的测试图像y'与第i类根据稀疏表示系数αi重建结果的距离，表示使得y'-A′iαi的2范数最小的i。
2.根据权利要求1所述的基于字典分解和稀疏表示的鲁棒人脸识别方法，其特征在于：
所述步骤二(2.1)的具体过程如下：
X赋初值为单位矩阵X＝I；
首先将每一类的训练数据进行奇异值分解：
Di＝Ui∑iVi T； (公式三)
然后把利用最大的奇异值对应的奇异值向量得到的对训练数据重建的结果赋予给A：
上述公式三中，Di表示第i类的训练数据矩阵，Ui、∑i和Vi T分别表示对Di进行奇异值分解得到的对应的矩阵；上述公式四中，Ui(1:m,1)表示矩阵Ui的第一列；∑i(1,1)表示∑i矩阵第一行第一列的那个元素，即Di的最大的奇异值；表示Vi矩阵的第一列的转置；上述公式五中，A＝(A1,A2,A3,...,AN)是把每一类得到的Ai组成一个大矩阵；在这里的含义是指实数域，的含义是矩阵Ai是m行Ni列的，并且矩阵Ai里的元素都是属于实数域的；
根据上述公式三至五给定A的初值和X的初值X＝I之后，同时代入步骤一(1.3)中的求解模型得到：
s.t.D-A＝BX+T； (约束条件)
其中，||B||*表示矩阵B的核范数，||T||1表示矩阵T的1范数；λ和δ是正的惩罚项系数；T为包含除了稀疏噪声之外的其他信息的E；步骤一(1.3)中的求解模型因为现在固定了A和X所以写成上述模型，而原始的约束条件D＝A+BX+E也因此写成了D-A＝BX+T；
通过增广拉格朗日乘子法求解上述模型得到B和T。
3.根据权利要求1所述的基于字典分解和稀疏表示的鲁棒人脸识别方法，其特征在于：
所述步骤二(2.2)的具体过程如下：
分别把A和B赋值为步骤二(2.1)中使用的A和步骤二(2.1)得到的B；代入步骤一(1.3)中的求解模型得到：
s.t.D-A＝BX+T； (约束条件)
其中，表示矩阵X的F范数的平方，||T||1表示矩阵T的1范数，τ和δ是正的惩罚项系数；T为包含除了稀疏噪声之外的其他信息的E；步骤一(1.3)中的求解模型因为现在固定了A和B所以写成上述模型，原始的约束条件D＝A+BX+E也因此写成了D-A＝BX+T；
利用增广拉格朗日乘子法求解得到X和T。
4.根据权利要求1所述的基于字典分解和稀疏表示的鲁棒人脸识别方法，其特征在于：
所述步骤二(2.3)的具体过程如下：
分别把B和X赋值为步骤二(2.1)得到的B和步骤二(2.2)得到的X；代入步骤一(1.3)中的求解模型得到：
s.t.D-BX＝A+T； (约束条件)
其中，||A||*表示矩阵A的核范数，||T||1表示矩阵T的1范数，η是正的惩罚项系数；T为包含除了稀疏噪声之外的其他信息的E；步骤一(1.3)中的求解模型因为现在固定了B和X所以写成上述模型，原始的约束条件D＝A+BX+E也因此写成了D-BX＝A+T；
利用鲁棒主成分分析RPCA求解得到A和E。
5.根据权利要求1所述的基于字典分解和稀疏表示的鲁棒人脸识别方法，其特征在于：
所述步骤二中，进行四次循环迭代求解达到预设的收敛条件：
其中ε＝10-4；
从而求解得到最终的A和E。
6.根据权利要求1所述的基于字典分解和稀疏表示的鲁棒人脸识别方法，其特征在于：
所述步骤中，对类特定字典A和校正后的测试图像yp进行主成分分析PCA降维处理的维度分别为25、50、75、100和150。
7.根据权利要求1所述的基于字典分解和稀疏表示的鲁棒人脸识别方法，其特征在于：
所述步骤六(6.3)中，具体判定方法如下：
对于步骤六(6.2)中得到的稀疏表示系数α，对每一类i，都有对应于标签i的降维后的类特定信息A′i和对应于标签i的稀疏表示系数αi；然后计算对应于第i类的降维后的测试图像y'与重建结果的误差e(i)＝||y'-A′iαi||2；对所有的i，都计算出误差对应的e(i)，比较误差e(i)，哪一类的误差最小，测试图像y'就属于哪一类。
CN201610744469.5A 2016-08-26 2016-08-26 一种基于字典分解和稀疏表示的鲁棒人脸识别方法 Active CN106326871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610744469.5A CN106326871B (zh) 2016-08-26 2016-08-26 一种基于字典分解和稀疏表示的鲁棒人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610744469.5A CN106326871B (zh) 2016-08-26 2016-08-26 一种基于字典分解和稀疏表示的鲁棒人脸识别方法

Publications (2)

Publication Number Publication Date
CN106326871A CN106326871A (zh) 2017-01-11
CN106326871B true CN106326871B (zh) 2019-04-30

Family

ID=57791462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610744469.5A Active CN106326871B (zh) 2016-08-26 2016-08-26 一种基于字典分解和稀疏表示的鲁棒人脸识别方法

Country Status (1)

Country Link
CN (1) CN106326871B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897685A (zh) * 2017-02-17 2017-06-27 深圳大学 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统
CN107273927B (zh) * 2017-06-13 2020-09-22 西北工业大学 基于类间匹配的无监督领域适应分类方法
CN108280417A (zh) * 2018-01-18 2018-07-13 苏州折衍光电科技有限公司 一种手指静脉快速识别方法
CN108171216A (zh) * 2018-01-22 2018-06-15 扬州大学 一种用于人脸识别的稀疏噪声矩阵分解方法
CN108319963B (zh) * 2018-02-06 2021-10-01 太原理工大学 基于约束鲁棒主成分分析的城市道路地下病害识别方法
CN108446589B (zh) * 2018-02-07 2022-03-22 杭州电子科技大学 复杂环境下基于低秩分解和辅助字典的人脸识别方法
CN112215034A (zh) * 2019-07-10 2021-01-12 重庆邮电大学 一种基于矩阵分解和Gabor特征的鲁棒表示与分类的遮挡人脸识别方法
CN111259842A (zh) * 2020-01-21 2020-06-09 扬州大学 一种基于分数阶稀疏表示的多视角人脸识别方法
CN111340120B (zh) * 2020-02-28 2021-05-07 南京林业大学 一种基于实用鲁棒pca的图像表示方法
CN112232250A (zh) * 2020-10-23 2021-01-15 镇江昭远智能科技有限公司 一种基于判别性低秩分解与稀疏表示的人脸识别方法
CN113052018B (zh) * 2021-03-09 2024-03-15 北京工业大学 一种钣金拉伸过程声发射信号识别方法
CN112990062B (zh) * 2021-03-30 2022-05-31 北京中电兴发科技有限公司 一种管理多种同质类智能算法协同工作提升准确率的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826161A (zh) * 2010-04-09 2010-09-08 中国科学院自动化研究所 一种基于局部近邻稀疏表示的目标识别方法
CN102073880A (zh) * 2011-01-13 2011-05-25 西安电子科技大学 利用稀疏表示进行人脸识别的集成方法
CN104102903A (zh) * 2014-07-14 2014-10-15 杭州电子科技大学 一种基于src的二次人脸识别方法
CN103984918B (zh) * 2014-04-21 2015-06-10 郑州轻工业学院 一种基于类内及类间变化的人脸图像识别方法
US9336433B1 (en) * 2013-07-24 2016-05-10 University Of Central Florida Research Foundation, Inc. Video face recognition

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826161A (zh) * 2010-04-09 2010-09-08 中国科学院自动化研究所 一种基于局部近邻稀疏表示的目标识别方法
CN102073880A (zh) * 2011-01-13 2011-05-25 西安电子科技大学 利用稀疏表示进行人脸识别的集成方法
US9336433B1 (en) * 2013-07-24 2016-05-10 University Of Central Florida Research Foundation, Inc. Video face recognition
CN103984918B (zh) * 2014-04-21 2015-06-10 郑州轻工业学院 一种基于类内及类间变化的人脸图像识别方法
CN104102903A (zh) * 2014-07-14 2014-10-15 杭州电子科技大学 一种基于src的二次人脸识别方法

Also Published As

Publication number Publication date
CN106326871A (zh) 2017-01-11

Similar Documents

Publication Publication Date Title
CN106326871B (zh) 一种基于字典分解和稀疏表示的鲁棒人脸识别方法
Sabir et al. Recurrent convolutional strategies for face manipulation detection in videos
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
Yang et al. Kernel ICA: An alternative formulation and its application to face recognition
Chen et al. An asymmetric distance model for cross-view feature mapping in person reidentification
Lan et al. Multi-cue visual tracking using robust feature-level fusion based on joint sparse representation
Li et al. Linestofacephoto: Face photo generation from lines with conditional self-attention generative adversarial networks
Gao et al. Face sketch–photo synthesis and retrieval using sparse representation
Cai et al. Multi-view super vector for action recognition
JP6244059B2 (ja) 基準画像に基づく顔画像検証方法、及び顔画像検証システム
CN104392246B (zh) 一种基于类间类内面部变化字典的单样本人脸识别方法
CN105138972A (zh) 人脸认证方法和装置
CN108446589B (zh) 复杂环境下基于低秩分解和辅助字典的人脸识别方法
Juefei-Xu et al. Can your eyebrows tell me who you are?
CN110069978B (zh) 判别性非凸低秩分解和叠加线性稀疏表示的人脸识别方法
CN107862267A (zh) 基于完全对称局部韦伯描述子的人脸识别特征提取算法
CN110222213A (zh) 一种基于异构张量分解的图像分类方法
CN105550712B (zh) 基于优化卷积自动编码网络的极光图像分类方法
CN105469063A (zh) 鲁棒的人脸图像主成分特征提取方法及识别装置
Li et al. Learning low-rank representations with classwise block-diagonal structure for robust face recognition
CN110705343A (zh) 一种结构不相干投影字典对学习的人脸识别方法及系统
Pratama et al. Face recognition for presence system by using residual networks-50 architecture
CN105740787B (zh) 基于多核鉴别彩色空间的人脸识别方法
CN110826534B (zh) 一种基于局部主成分分析的人脸关键点检测方法及系统
CN106529486A (zh) 一种基于三维形变人脸模型的种族识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant