[发明专利]加权协同表征与线性表示分类相融合的二级人脸识别方法

摘要

本发明公开了一种加权协同表征与线性表示分类相融合的二级人脸识别技术，将CRC与线性表示(LRC)结合。首先基于主成分分析(PCA)对所有图像样本进行降维，以降低计算的复杂度；考虑到样本局部相似性先验信息对分类识别的不同贡献，构建加权矩阵，并嵌入到CRC中，提出加权CRC，然后基于加权CRC，根据重构残差排序保留相关性较大的若干类训练样本用于线性表示(LRC)，以实现二级分类识别，这种通过缩小分类目标的做法，使识别更精确，且识别时间也大大降低。

主权项

一种加权协同表征与线性表示分类相融合的二级人脸识别技术，其特征在于包含以下步骤：Step1：人脸数据库包含了C个人的图像，每个人有n_i幅图像，每幅图像大小为m×n，定义训练样本集测试样本为Y∈R^m×n，将各类训练样本矢量化为这样第i类训练样本组成的矩阵为C类训练样本构成的矩阵为X＝[X₁，…，X_C]∈R^m×N，将测试样本Y矢量化为y∈R^m×1；Step2：计算各训练样本与y之间的误差，构建对角加权矩阵M；Step3：利用主成份分析对和y进行降维处理，得到新的训练样本和测试样本，分别矢量化为和B，这样新的第i类训练样本组成的矩阵为C类训练样本构成的矩阵为A＝[A₁，…，A_C]；Step4：将对角加权矩阵M嵌入协同表示模型中，将A_i作为协同表示分类的编码字典，得Step5：用最小二乘法求解加权协同表示模型的编码字典A_i所对应的稀疏向量α_i，即α_i＝(A_i^TA_i+λM^TM)^‑1A_i^TB；Step6：分别计算新的测试样本B与每类训练样本A_i重构的残差e_σi，即e_σi＝||B‑A_iα_i||₂，式中A_iα_i为对每类训练样本A_i的重构；Step7：将每类训练样本A_i和测试样本B的重构残差矩阵e_σi＝[e_σ1，e_σ2，…，e_σC]中的元素按升序排列，得到有序的残差矩阵e_εi＝[e_ε1，e_ε2，…，e_εC]，并从中筛选出前S类残差小于设定阈值所对应的样本，则筛选出的S类训练样本构成的矩阵为其中第i类训练样本组成的矩阵为(i＝1，2，…，S，j＝1，2，…，n_i)；${\mathrm{\μ}}_i={\left({{\stackrel{\‾}{A}}_i}^T{\stackrel{\‾}{A}}_i\right)}^{-1}{{\stackrel{\‾}{A}}_i}^{T}B;$Step10：重构第i类训练样本即式中B_i即为第i类训练样本的重构；Step11：计算测试样本B与每类训练样本的重构B_i之间的误差β_i，即β_i＝||B‑B_i||₂Step12：根据重构误差β_i判断测试样本B的归属。