[发明专利]基于联合稀疏描述的多姿态三维人脸识别方法

摘要

本发明公开了一种基于联合稀疏描述的多姿态三维人脸识别方法，用于解决现有多姿态三维人脸识别方法鲁棒性差的技术问题。技术方案是对数据库中每一个三维人脸数据的全部顶点顺次排列，作为列向量构建三维空间联合字典。然后，对给定测试个体的多个视角观测值，将其按列排序，合并为一个矩阵，用关于三维空间联合字典的系数矩阵进行稀疏性描述，并通过构建联合稀疏性约束来实现对多姿态观测数据的稀疏联合求解。最后，基于重建出的稀疏描述矩阵，通过构建一个强制置零函数，对所有多姿态数据合并重建残差，并通过计算残差最小的方法确定测试数据所属的类别。经测试，对姿态变化较大的三维人脸数据，识别率由背景技术的89.8%提高到93.4%。

主权项

一种基于联合稀疏描述的多姿态三维人脸识别方法，包括以下步骤：第一步、给定一个三维人脸数据，将全部顶点顺次排列描述网格的拓扑连接结构，作为类字典的列向量；给定同属于类别i的Si个训练人脸数据，i＝1,2,...,C，表示在数据库中共有C个不同类别的人脸数据；由这些数据构建的类字典记为Ai，表示为：其中表示属于类别i的第j个训练人脸数据的向量表示，j＝1,2,...,Si；整个训练集的超完备字典A由C个类别的共计S个训练样本的线性组合来构建，所构建的三维空间联合字典的表达式为：A=[A1,A2,...,AC]=[V1i,V2i,...,VSii,...,VSC]---(1)]]>式中，是训练样本的总数；第二步、给定一个测试个体的M个不同视角观测值y1,y2,...,yM，将其按列排序，合并为一个单视角矩阵，记为Y＝[y1,y2,...,yM]，采用关于三维空间联合字典A的系数矩阵α＝[α1,α2,...,αM]来进行稀疏性描述；第三步、在重建出稀疏描述矩阵后，基于对同一个测试个体的所有视角观测值Y合并重建残差；其特征在于还包括以下数学优化算法：在第二步所述的三维空间联合字典A的系数矩阵α＝[α1,α2,...,αM]来进行稀疏性描述中，其稀疏描述问题表示如下：{α^x}x=1M=argmin{αx}Σx=1M||yx-Aαx||22s.t.||αx||0≤K,∀1≤x≤M.---(2)]]>式中，K是稀疏性级别；对向量的描述采用建立联合稀疏性约束，在该约束中，多维稀疏性描述向量有着同样的稀疏性类型；多姿态观测样本的稀疏性描述通过对如下的最优化问题的联合求解重建得出；式中,表示Frobenius范数；是复合范数表达式，其含义为首先对α的每一行进行l2范数求解，然后再对结果向量进行l0范数求解；在第三步，所述的基于对同一个测试个体的所有视角观测值Y合并重建残差，具体公式为：i^=argmini||Y-Aδi(α^)||F2---(4)]]>式中，作为一个矩阵操作符，能够保留中与第i类所对应的系数值，而将其他值强制置零；采用Frobenius范数||·||F合并所有视图的重建误差。