CN111950387A - 一种基于稀疏表示的误差人脸识别方法 - Google Patents

一种基于稀疏表示的误差人脸识别方法 Download PDF

Info

Publication number
CN111950387A
CN111950387A CN202010711307.8A CN202010711307A CN111950387A CN 111950387 A CN111950387 A CN 111950387A CN 202010711307 A CN202010711307 A CN 202010711307A CN 111950387 A CN111950387 A CN 111950387A
Authority
CN
China
Prior art keywords
class
matrix
error
sample
sparse 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.)
Granted
Application number
CN202010711307.8A
Other languages
English (en)
Other versions
CN111950387B (zh
Inventor
宋长明
周洋
程东旭
杨春升
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.)
Zhongyuan University of Technology
Original Assignee
Zhongyuan University of Technology
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 Zhongyuan University of Technology filed Critical Zhongyuan University of Technology
Priority to CN202010711307.8A priority Critical patent/CN111950387B/zh
Publication of CN111950387A publication Critical patent/CN111950387A/zh
Application granted granted Critical
Publication of CN111950387B publication Critical patent/CN111950387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/76—Arrangements for rearranging, permuting or selecting data according to predetermined rules, independently of the content of the data
    • G06F7/78—Arrangements for rearranging, permuting or selecting data according to predetermined rules, independently of the content of the data for changing the order of data flow, e.g. matrix transposition or LIFO buffers; Overflow or underflow handling therefor
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于稀疏表示的误差人脸识别方法，属于模式识别领域。本方法针对采样不足条件下含有光照、噪声等各种误差的人脸图像的识别问题提出解决方法。首先，输入训练样本矩阵，利用样本差异性将其重构为融合字典；其次，利用融合字典对测试样本进行稀疏编码，提出一种基于稀疏表示的人脸识别方法，并提出拉普拉斯均匀混合函数描述编码误差；然后，提出一种融合字典和稀疏表示系数低秩正则化理论，对样本的稀疏表示效果进行优化；最后，计算样本图像的重构残差，对残差增加权重来抑制误差对识别结果的影响，并根据加权后的最小残差完成对人脸图像的识别操作。该方法提高了误差人脸图像的识别精确度和鲁棒性，使得人脸识别技术更方便的应用在现实生活复杂的场景中。

Description

一种基于稀疏表示的误差人脸识别方法
技术领域
本发明属于计算机图像处理和模式识别的技术领域，主要涉及一种基于稀疏表示的误差人脸识别方法。
背景技术
人脸识别技术作为图像处理和模式识别领域的研究热点，在近几年人工智能浪潮的推动下被越来越多的学者研究。这是由于人脸识别技术具有携带方便、不易伪造、不易丢失、不易被盗用等特点，同时具有容易获取、采集方便、特征明显等优势。这使得人脸识别技术在金融、安防、娱乐等领域得到广泛应用。
随着人脸识别技术的广泛应用，逐渐暴露出人脸识别方法所面临的诸多挑战。例如：采集到的训练样本数量不足，人脸图像受到表情变化、光照变化等因素的影响，图像在传输、信道解码等过程中产生不同程度的误差。
基于稀疏表示分类(Sparse Representation-based Classification，SRC) 的人脸识别方法，开创性的将测试样本编码为所有训练样本的稀疏线性组合，进而通过评估样本类别之间的最小残差实现分类。基于稀疏表示的人脸识别方法对含有噪声和遮挡的人脸图像识别具有很好的性能，因此，相关学者在此基础上做了很多改进。例如，鲁棒稀疏编码(Robust Sparse Coding，RSC)模型、叠加线性表示分类器(Superposed LinearRepresentation Classifier，SLRC)、自适应稀疏表示分类器(Adaptive SparseRepresentation-based Classification，ASRC)等。在人脸识别实际应用中面对的问题复杂多样，例如：采样不足时样本图像受到误差的影响，此时，上述方法未能有效解决这些问题。
发明内容
本发明针对采样不足时、人脸图像含有光照、遮挡、噪声等各种误差的问题，提供一种基于稀疏表示的误差人脸识别方法，用于提高人脸识别的稳定性和识别精度。
为了达到上述目的，本发明一种基于稀疏表示的误差人脸识别方法，主要包括以下步骤：
步骤1)输入训练样本矩阵A，利用样本差异性将其重构为融合字典 F；
步骤2)利用融合字典F对测试样本y进行稀疏编码，提出一种基于稀疏表示的人脸识别方法，并提出拉普拉斯均匀混合函数描述编码误差；
步骤3)提出一种融合字典和稀疏表示系数的低秩正则化理论，对样本的稀疏表示效果进行优化；
步骤4)计算样本图像的重构残差，对重构残差增加权重来抑制随机误差对识别结果的影响，并根据加权后的最小残差完成人脸图像的识别操作。
进一步，所述步骤1)具体包括以下步骤：
步骤11)获取k类训练样本矩阵A∈Rm×n，其中m为训练样本的维度，n为k类训练样本的总个数，利用样本差异性将其分解为类中心矩阵 P＝[c1,…,ci,…ck]∈Rm×k和类内变化矩阵
Figure RE-GDA0002657847630000021
其中，类中心矩阵由每类训练样本的均值图像构成，类内变化矩阵由每个训练样本与所在类的类中心矩阵之间的差异构成，其中，ci表示第i类的质心，Ai表示第i类训练样本矩阵，
Figure RE-GDA0002657847630000022
ni为第i类训练样本的数量，
Figure RE-GDA0002657847630000023
T为矩阵的转置；
步骤S12)采用类中心矩阵P和类内变化矩阵V构成融合字典 F＝[P,V]∈Rm×(k+n)；
进一步，所述步骤2)具体包括以下步骤：
步骤S21)利用融合字典F将测试样本y稀疏编码为y＝Fx，提出一种基于稀疏表示的人脸识别方法，式中，x为稀疏系数；令编码误差 e＝y-Fx＝[e1；e2；…；ei；…；em]，ei为e的第i个元素，假设e1,e2,…,em服从独立恒等分布，提出拉普拉斯均匀混合函数来描述该分布，表述为 f(ei)＝α(exp(-|ei|/b)+c)，α＞0为归一化因子，b＞0为拉普拉斯分量的尺度，c＞0为均匀分布。
步骤S22)，在步骤S21)的基础上得到如下权重约束模型：
Figure RE-GDA0002657847630000024
subject to y-Fx＝e
其中，λ＞0为正则化参数，稀疏系数x＝[xp；xv]，xp和xv分别为融合字典中的类中心矩阵和类内变化矩阵所对应的稀疏系数，对角矩阵W的第i个元素为
Figure RE-GDA0002657847630000031
矩阵W也称为加权矩阵，b＞0为拉普拉斯分量的尺度，c＞0为均匀分布，t为迭代次数；
进一步，所述步骤3)具体包括以下步骤：
步骤S31)在步骤S22)权重约束模型的基础上，提出一种融合字典和稀疏表示系数的低秩正则化理论，对样本的稀疏表示效果进行优化，步骤S22)中的模型转换为：
Figure RE-GDA0002657847630000032
s.t.y-Fx＝e
其中，Diag(x)表示将向量x转换成一个对角矩阵；
步骤S32)针对步骤S31)的模型，采用交替方向乘子法进行求解，得到稀疏系数x和加权后的编码误差
Figure RE-GDA0002657847630000033
步骤S33)综合步骤S22)和步骤S32)完成对加权矩阵W以及稀疏系数x的更新，直到满足收敛条件或最大迭代次数，得到最优解
Figure RE-GDA0002657847630000034
和 W*。
进一步，所述步骤32)具体包括以下步骤：
步骤S321)将步骤S31)的模型转换成如下等价约束问题
Figure RE-GDA0002657847630000035
J＝FDiag(x)
步骤S322)，将上述等价约束问题改写成如下无约束问题：
Figure RE-GDA0002657847630000036
其中，y1和Y2是拉格朗日乘子，μ＞0是惩罚参数，λ＞0为正则化参数；
步骤S323)针对步骤S322)的模型执行交替方向乘子法，通过固定其他变量来交替更新J，x和
Figure RE-GDA0002657847630000037
步骤S324)更新拉格朗日乘子：
Figure RE-GDA0002657847630000038
Figure RE-GDA0002657847630000039
其中，t表示迭代次数。
步骤S325)检查收敛条件和迭代次数，直至收敛或达到最大迭代次数；
步骤S326)求出稀疏系数x和加权后的编码误差
Figure RE-GDA00026578476300000310
进一步，所述步骤4)具体包括以下步骤：
步骤S41)，在步骤S33)的基础上保留最优系数
Figure RE-GDA0002657847630000041
中与第i类样本相关的系数，得到特征函数
Figure RE-GDA0002657847630000042
接下来使用与第i类相关联的系数，可以将第i类的测试样本y重建为
Figure RE-GDA0002657847630000043
那么，测试样本的重构残差为
Figure RE-GDA0002657847630000044
步骤S42)给出第i类测试样本的残差计算公式：
Figure RE-GDA0002657847630000045
根据步骤S42)中加权后的残差，将测试样本y赋值给能使重构残差最小的类，即
Figure RE-GDA0002657847630000046
其中，
Figure RE-GDA0002657847630000047
表示得到能使重构残差最小的第i类，Identity(y)为测试样本y的识别结果。
本发明的有益效果为：(1)增加融合字典可以提高采样不足条件下字典的完备性，使其具有较高的识别精度，并且在实际应用的困难场景中十分有效；(2)提出拉普拉斯均匀混合函数描述误差分布，有效降低误差对识别结果的影响，提高了该发明的稳定性；(3)提出融合字典和稀疏表示系数的低秩正则化理论，对样本的稀疏表示效果进行优化，进一步提高识别的精确度和稳定性。
附图说明
图1本发明基于稀疏表示的误差人脸识别方法框图
图2AR数据库中的人脸图像
图3含有不同百分比椒盐噪声的人脸图像
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细说明。
本发明提供的一种基于稀疏表示的误差人脸识别方法，如图1所示，该方法包括以下步骤：
步骤1)输入训练样本矩阵A，利用样本差异性将其重构为融合字典 F；
步骤2)利用融合字典F对测试样本y进行稀疏编码，提出一种基于稀疏表示的人脸识别方法，并提出拉普拉斯均匀混合函数描述编码误差；
步骤3)提出一种融合字典和稀疏表示系数的低秩正则化理论，对样本的稀疏表示效果进行优化；
步骤4)计算样本图像的重构残差，对重构残差增加权重来抑制误差对识别结果的影响，并根据加权后的最小残差完成人脸图像的识别操作。
进一步，所述步骤1)具体包括以下步骤：
步骤11)获取k类训练样本矩阵A∈Rm×n，其中m为训练样本的维度， n为k类训练样本的总个数，利用样本差异性将其分解为类中心矩阵 P＝[c1,…,ci,…ck]∈Rm×k和类内变化矩阵
Figure RE-GDA0002657847630000051
其中，类中心矩阵由每类训练样本的均值图像构成，类内变化矩阵由每个训练样本与所在类的类中心矩阵之间的差异构成，其中，ci表示第i类的质心，Ai表示第i类训练样本矩阵，
Figure RE-GDA0002657847630000052
ni为第i类训练样本的数量，
Figure RE-GDA0002657847630000053
T为矩阵的转置；
步骤S12)采用类中心矩阵P和类内变化矩阵V构成融合字典 F＝[P,V]∈Rm×(k+n)；
进一步，所述步骤2)具体包括以下步骤：
步骤S21)利用融合字典F将测试样本y稀疏编码为y＝Fx，提出一种基于稀疏表示的人脸识别方法，式中，x为稀疏系数；令编码误差 e＝y-Fx＝[e1；e2；…；ei；…；em]，ei为e的第i个元素，假设e1,e2,…,em服从独立恒等分布，提出拉普拉斯均匀混合函数来描述该分布，表述为 f(ei)＝α(exp(-|ei|/b)+c)，α＞0为归一化因子，b＞0为拉普拉斯分量的尺度，c＞0为均匀分布；
步骤S22)，在步骤S21)的基础上得到如下权重约束模型：
Figure RE-GDA0002657847630000054
s.t.y-Fx＝e
其中，λ＞0为正则化参数，稀疏系数x＝[xp；xv]，xp和xv分别为融合字典中的类中心矩阵和类内变化矩阵所对应的稀疏系数，对角矩阵W的第i个元素为
Figure RE-GDA0002657847630000055
矩阵W也称为加权矩阵，b＞0为拉普拉斯分量的尺度，c＞0为均匀分布，t为迭代次数；
进一步，所述步骤3)具体包括以下步骤：
步骤S31)在步骤S22)权重约束模型的基础上，提出一种融合字典和稀疏表示系数的低秩正则化理论，对样本的稀疏表示效果进行优化，步骤S22)中的模型转换为：
Figure RE-GDA0002657847630000056
s.t.y-Fx＝e
其中，Diag(x)表示将向量x转换成一个对角矩阵；
步骤S32)针对步骤S31)的模型，采用交替方向乘子法进行求解，得到稀疏系数x和加权后的编码误差
Figure RE-GDA0002657847630000061
步骤S33)综合步骤S22)和步骤S32)完成对加权矩阵W以及稀疏系数x的更新，直到满足收敛条件或最大迭代次数，得到最优解
Figure RE-GDA0002657847630000062
和 W*；其中，提出如下收敛条件
Figure RE-GDA0002657847630000063
和||J-FDiag(x)||∞≤ε2，相邻两次权重函数满足||Wt-Wt-1||2/||Wt-1||2＜ε3时迭代终止，式中，ε1，ε2和ε3为很小的正常数。
进一步，所述步骤32)具体包括以下步骤：
步骤S321)将步骤S31)的模型转换成如下等价问题
Figure RE-GDA0002657847630000064
J＝FDiag(x)
步骤S322)，将上述约束问题改写成如下无约束问题：
Figure RE-GDA0002657847630000065
其中，y1和Y2是拉格朗日乘子，μ＞0是惩罚参数，λ＞0为正则化参数；
步骤S323)针对步骤S322)的模型执行交替方向乘子法，通过固定其他变量来交替更新J，x和
Figure RE-GDA0002657847630000066
步骤S324)更新拉格朗日乘子：
Figure RE-GDA0002657847630000067
Figure RE-GDA0002657847630000068
其中，t表示迭代次数。
步骤S325)检查收敛条件和迭代次数，直至收敛或达到最大迭代次数；
步骤S326)求出稀疏系数x和加权后的编码误差
Figure RE-GDA0002657847630000069
进一步，所述步骤S323)具体包括以下步骤：
步骤S3231)通过固定x，
Figure RE-GDA00026578476300000610
y1和Y2来更新J：
即，
Figure RE-GDA00026578476300000611
步骤S3232)通过固定J，
Figure RE-GDA00026578476300000612
y1和Y2来更新x：
即，
Figure RE-GDA00026578476300000613
步骤S3233)通过固定J，x，y1和Y2来更新
Figure RE-GDA00026578476300000614
即，
Figure RE-GDA00026578476300000615
进一步，所述步骤4)具体包括以下步骤：
步骤S41)在步骤S33)的基础上保留最优系数
Figure RE-GDA0002657847630000071
中与第i类样本相关的系数，其余均为零，得到特征函数
Figure RE-GDA0002657847630000072
接下来使用与第i类相关联的系数，可以将第i类的测试样本y重建为
Figure RE-GDA0002657847630000073
那么，测试样本的重构残差为
Figure RE-GDA0002657847630000074
步骤S42)给出第i类测试样本的残差计算公式：
Figure RE-GDA0002657847630000075
步骤S43)根据步骤S42)中加权后的残差，将测试样本y赋值给能使重构残差最小的类，即
Figure RE-GDA0002657847630000076
其中，
Figure RE-GDA0002657847630000077
表示得到能使重构残差最小的第i类，Identity(y)为测试样本y的识别结果。
本发明已经进行多次实验仿真，下面对仿真实验情况和结果进行介绍：
人脸图像识别过程中的误差复杂多样，例如在图像传输、信道解码等过程中出现的黑白相间的亮暗点噪声，也就是通常所说的椒盐噪声。椒盐噪声的存在，对人脸样本图像的识别产生了很大程度的干扰。下面本节将验证本发明在人脸样本图像受到椒盐噪声干扰时的性能表现。实验使用的是AR子数据库的人脸图像进行仿真测试，该子数据库包含50位男性和 50位女性共100个人，每人26个包含光照、表情、遮挡等不同变化的样本图像，每个样本图像的像素为120×165，样本图像参见图2所示。本实验选用每人14个仅有光照和表情变化的样本进行实验，其中，采样不足条件下的实验选用每人2个样本进行训练，剩余样本进行测试；采样充足条件下的实验选用每人7个样本进行训练，剩余样本进行测试。对于测试图像均添加10％到80％的椒盐噪声。图3所示为含有不同百分比椒盐噪声的人脸图像。为了方便实验将样本图像裁剪成27×20个像素。
仿真实验的结果与经典的基于稀疏表示分类(Sparse Representation-basedClassification，SRC)的人脸识别方法、鲁棒稀疏编码 (Robust Sparse Coding，RSC)方法、叠加线性表示分类器(Superposed Linear Representation Classifier，SLRC)、自适应稀疏表示分类器(Adaptive Sparse Representation-based Classification，ASRC)进行对比，测试结果如表1和表2所示。
表1样本个数为2时不同百分比椒盐噪声条件下五种方法的识别率对比
Figure RE-GDA0002657847630000081
表2样本个数为7时不同百分比椒盐噪声条件下五种方法的识别率对比
Figure RE-GDA0002657847630000082
从表1中采样不足时的实验结果来看，本发明的识别率均显著优于现有方法。在椒盐噪声为0％，也就是不含噪声，本发明的识别率为79.38％，对比方法中识别率最高的是SLRC方法77.42％，在不含噪声时本发明的识别率至少高出对比方法1.96％，即79.38％-77.42％。在样本含有30％的椒盐噪声时，本发明的识别率为71.09％，对比方法的识别率已经降到45.42％以下，此时，本发明的识别率至少高出对比方法25.67％，即71.09％-45.42％。由此可见，本发明方法在采样不足条件下具有很好的抗噪性。表2中采样充足时的实验结果来看，本发明的识别率同样明显优于对比方法。在椒盐噪声为0％，本发明的识别率为89.71％，对比方法中识别率最高的是RSC 方法87.29％，本发明的识别率至少高出对比方法2.42％，即89.71％-87.29％。在样本含有30％的椒盐噪声时，本发明的识别率为83.57％，对比方法的识别率已经降到46.14％以下，此时，本发明的识别率至少高出对比方法37.43％，即83.57％-46.14％。由此可见，本发明方法在采样充足条件下对噪声图像的识别具有非常明显的改进效果。综合上述实验结果，无论采样是否充足，本发明方法均具有很好的稳定性和最高的识别精度。
本发明未尽事宜为公知技术。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于稀疏表示的误差人脸识别方法，其特征在于，主要包括以下步骤：
S1)输入训练样本矩阵A，利用样本差异性将其构建为融合字典F；
S2)利用融合字典F对测试样本y进行稀疏编码，提出一种基于稀疏表示的人脸识别方法，并提出拉普拉斯均匀混合函数描述编码误差；
S3)提出一种融合字典和稀疏表示系数的低秩正则化理论，对样本的稀疏表示效果进行优化；
S4)计算样本图像的重构残差，对重构残差增加权重来抑制误差对识别结果的影响，并根据加权后的最小残差完成人脸图像的识别操作。
2.根据权利要求1所述的一种基于稀疏表示的误差人脸识别方法，其特征在于：所述步骤S1)中，具体过程如下：
步骤S11)输入k类训练样本矩阵A∈Rm×n，其中m为训练样本的维度，n为k类训练样本的总个数，利用样本差异性将其分解为类中心矩阵P＝[c1,…,ci,…ck]∈Rm×k和类内变化矩阵
Figure RE-RE-FDA0002657847620000011
其中，类中心矩阵由每类训练样本的均值图像构成，类内变化矩阵由每个训练样本与其所在类的类中心矩阵之差组成，其中，ci表示第i类的质心，Ai表示第i类训练样本矩阵，
Figure RE-RE-FDA0002657847620000012
ni为第i类训练样本的数量，
Figure RE-RE-FDA0002657847620000013
T为矩阵的转置；
步骤S12)采用类中心矩阵P和类内变化矩阵V构建融合字典F＝[P,V]∈Rm×(k+n)；
3.根据权利要求2所述的一种基于稀疏表示的误差人脸识别方法，其特征在于：所述步骤S2)中，具体过程如下：
步骤S21)利用融合字典F将测试样本y稀疏编码为y＝Fx，提出一种基于稀疏表示的人脸识别方法，式中，x为稀疏系数，令编码误差e＝y-Fx＝[e1；e2；…；ei；…；em]，ei为e的第i个元素，假设e1,e2,…,em服从独立恒等分布，提出拉普拉斯均匀混合函数来描述该分布，表述为f(ei)＝α(exp(-|ei|/b)+c)，α＞0为归一化因子，b＞0为拉普拉斯分量的尺度，c＞0为均匀分布；
步骤S22)，在步骤S21)的基础上得到如下权重约束模型：
Figure RE-RE-FDA0002657847620000014
其中，λ＞0为正则化参数，稀疏系数x＝[xp；xv]，xp和xv分别为融合字典中的类中心矩阵和类内变化矩阵所对应的稀疏系数，对角矩阵W的第i个元素为
Figure RE-RE-FDA0002657847620000021
矩阵W也称为加权矩阵，b＞0为拉普拉斯分量的尺度，c＞0为均匀分布，t为迭代次数；
4.根据权利要求3所述的一种基于稀疏表示的误差人脸识别方法，其特征在于：所述步骤S3)中，具体过程如下：
步骤S31)，在步骤S22)权重约束模型的基础上，提出一种融合字典和稀疏表示系数的低秩正则化理论，对样本的稀疏表示效果进行优化；步骤S22)中的模型转换为：
Figure RE-RE-FDA0002657847620000022
其中，Diag(x)表示将向量x转换成一个对角矩阵；
步骤S32)针对步骤S31)的模型，采用交替方向乘子法进行求解，得到稀疏系数x和加权后的编码误差
Figure RE-RE-FDA00026578476200000210
步骤S33)综合步骤S22)和步骤S32)完成对加权矩阵W以及稀疏系数x的更新，直到满足收敛条件或最大迭代次数，得到最优解
Figure RE-RE-FDA0002657847620000023
和W*。
5.根据权利要求4所述的一种基于稀疏表示的误差人脸识别方法，其特征在于：所述步骤S32)中，具体过程如下：
步骤S321)，将步骤S31)的模型转换成如下等价约束问题
Figure RE-RE-FDA0002657847620000024
步骤S322)，将上述等价约束问题改写成如下无约束问题：
Figure RE-RE-FDA0002657847620000025
其中，y1和Y2是拉格朗日乘子，μ＞0是惩罚参数，λ＞0为正则化参数；
步骤S323)，针对步骤S322)的模型执行交替方向乘子法，通过固定其它变量来交替更新J，x和
Figure RE-RE-FDA0002657847620000026
步骤S324)更新拉格朗日乘子：
Figure RE-RE-FDA0002657847620000027
Figure RE-RE-FDA0002657847620000028
其中，t表示迭代次数。
步骤S325)检查收敛条件和迭代次数，直至收敛或达到最大迭代次数；
步骤S326)求出稀疏系数x和加权后的编码误差
Figure RE-RE-FDA0002657847620000029
6.根据权利要求4或5所述的一种基于稀疏表示的误差人脸识别方法，其特征在于：所述步骤S4)中，具体过程如下：
步骤S41)在步骤S33)的基础上，保留最优系数
Figure RE-RE-FDA0002657847620000031
中与第i类样本相关的系数得到特征函数
Figure RE-RE-FDA0002657847620000032
接下来使用与第i类相关联的系数，可以将第i类的测试样本y重建为
Figure RE-RE-FDA0002657847620000033
那么，测试样本的重构残差为
Figure RE-RE-FDA0002657847620000034
步骤S42)给出第i类测试样本的加权残差计算公式：
Figure RE-RE-FDA0002657847620000035
步骤S43)根据步骤S42)中加权后的残差，将测试样本y赋值给能使重构残差最小的类，即
Figure RE-RE-FDA0002657847620000036
其中，
Figure RE-RE-FDA0002657847620000037
表示得到能使重构残差最小的第i类，Identity(y)为测试样本y的识别结果。
CN202010711307.8A 2020-07-22 2020-07-22 一种基于稀疏表示的误差人脸识别方法 Active CN111950387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010711307.8A CN111950387B (zh) 2020-07-22 2020-07-22 一种基于稀疏表示的误差人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010711307.8A CN111950387B (zh) 2020-07-22 2020-07-22 一种基于稀疏表示的误差人脸识别方法

Publications (2)

Publication Number Publication Date
CN111950387A true CN111950387A (zh) 2020-11-17
CN111950387B CN111950387B (zh) 2023-07-25

Family

ID=73341109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010711307.8A Active CN111950387B (zh) 2020-07-22 2020-07-22 一种基于稀疏表示的误差人脸识别方法

Country Status (1)

Country Link
CN (1) CN111950387B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071797A (zh) * 2022-12-29 2023-05-05 北华航天工业学院 一种基于自编码器的稀疏人脸比对对抗样本生成方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318261A (zh) * 2014-11-03 2015-01-28 河南大学 一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法
CN106203349A (zh) * 2016-07-12 2016-12-07 电子科技大学 基于稀疏误差矩阵的人脸识别方法
WO2018149133A1 (zh) * 2017-02-17 2018-08-23 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
CN110069978A (zh) * 2019-03-04 2019-07-30 杭州电子科技大学 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
CN111325162A (zh) * 2020-02-25 2020-06-23 湖南大学 基于虚拟样本和残差融合的权重稀疏表示的人脸识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318261A (zh) * 2014-11-03 2015-01-28 河南大学 一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法
CN106203349A (zh) * 2016-07-12 2016-12-07 电子科技大学 基于稀疏误差矩阵的人脸识别方法
WO2018149133A1 (zh) * 2017-02-17 2018-08-23 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
CN110069978A (zh) * 2019-03-04 2019-07-30 杭州电子科技大学 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
CN111325162A (zh) * 2020-02-25 2020-06-23 湖南大学 基于虚拟样本和残差融合的权重稀疏表示的人脸识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
木立生;吕迎春;: "基于稀疏表示与特征融合的人脸识别方法", 现代电子技术, no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071797A (zh) * 2022-12-29 2023-05-05 北华航天工业学院 一种基于自编码器的稀疏人脸比对对抗样本生成方法
CN116071797B (zh) * 2022-12-29 2023-09-26 北华航天工业学院 一种基于自编码器的稀疏人脸比对对抗样本生成方法

Also Published As

Publication number Publication date
CN111950387B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN107122809B (zh) 基于图像自编码的神经网络特征学习方法
CN110212528B (zh) 一种配电网量测数据缺失重构方法
CN107230196B (zh) 基于非下采样轮廓波和目标可信度的红外与可见光图像融合方法
CN111696027B (zh) 一种基于适应性注意力机制的多模态的图像风格迁移方法
CN115018727B (zh) 一种多尺度图像修复方法、存储介质及终端
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
CN109410917A (zh) 基于改进型胶囊网络的语音数据分类方法
CN114692947A (zh) 一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法
CN112183742A (zh) 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN111147863B (zh) 基于张量的视频快照压缩成像恢复方法
CN118230191A (zh) 一种基于去噪扩散概率模型的sar图像生成方法
CN107085835B (zh) 基于四元数加权核范数最小的彩色图像去噪方法
CN111598786A (zh) 一种基于深度去噪自编码网络的高光谱图像解混方法
CN112614070A (zh) 一种基于DefogNet的单幅图像去雾方法
CN105260995B (zh) 一种图像修复与去噪方法及系统
CN116452455A (zh) 一种基于低秩稀疏编码模型的高光谱图像去噪方法
CN111950387A (zh) 一种基于稀疏表示的误差人脸识别方法
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN108121964B (zh) 基于矩阵的联合稀疏局部保持投影人脸识别方法
CN112232250B (zh) 一种基于判别性低秩分解与稀疏表示的人脸识别方法
CN113920210A (zh) 基于自适应图学习主成分分析方法的图像低秩重构方法
CN119089964A (zh) 一种图片标注神经网络模型构建方法及系统
CN118799647A (zh) 基于正则化掩膜自动编码器的半监督高光谱图像分类方法
CN106960225A (zh) 一种基于低秩监督的稀疏图像分类方法
Vieloszynski et al. LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder

Legal Events

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