[發(fā)明專利]一種基于低秩字典學(xué)習(xí)算法的人臉識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711270467.8
• 申請(qǐng)日: 2017-12-05
• 公開（公告）號(hào): CN107832747B
• 公開（公告）日: 2022-06-07
• 發(fā)明（設(shè)計(jì)）人: 李爭(zhēng)名
• 申請(qǐng)（專利權(quán)）人: 廣東技術(shù)師范大學(xué)
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/40;G06V10/77;G06K9/62
• 代理公司: 北京科億知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 肖平安

1.一種基于低秩字典學(xué)習(xí)算法的人臉識(shí)別方法，其特征在于，主要包括以下步驟：

第一步，輸入訓(xùn)練人臉圖像并利用K-SVD算法構(gòu)造profiles的Fisher判別約束項(xiàng)；

第二步，構(gòu)建對(duì)人臉圖像測(cè)試樣本的分類模型，以測(cè)試人臉圖像的類標(biāo)；

第三步，采集并把待識(shí)別的人臉圖像的數(shù)據(jù)輸入到分類模型上；

最后，分類模型輸出測(cè)試人臉圖像的類標(biāo)，進(jìn)而對(duì)人臉進(jìn)行識(shí)別；

所述Profiles的Fisher判別約束項(xiàng)公式定義為

min(Tr(S_W(P))-Tr(S_B(P))) (8)，

其中Tr(.)表示對(duì)矩陣求跡，表示類內(nèi)散布矩陣，表示類間散布矩陣，

其中，是第c類原子中的第j個(gè)原子對(duì)應(yīng)的profile,m_c表示第c類原子對(duì)應(yīng)profiles的均值矢量,m是所有原子對(duì)應(yīng)profiles的均值矢量，C表示訓(xùn)練樣本包含的類別數(shù)，k表示原子個(gè)數(shù)；

Profiles矩陣定義為P＝[p₁,…,p_k]，其是編碼系數(shù)矩陣X的轉(zhuǎn)置矩陣，即P＝X^T；

所述構(gòu)造的基于Fisher判別約束的低秩字典學(xué)習(xí)算法如下

其中，E是誤差項(xiàng)，X是編碼系數(shù)矩陣，L＝I+A-2G,I是單位矩陣，Y表示訓(xùn)練樣本集合，D表示字典，

定義k階矩陣A中的每個(gè)元素均為1,定義k階矩陣

其中f表示每類原子個(gè)數(shù)，H表示字典D中的原子類標(biāo)矩陣。

2.根據(jù)權(quán)利要求1所述的一種基于低秩字典學(xué)習(xí)算法的人臉識(shí)別方法，其特征在于，所述第一步輸入訓(xùn)練人臉圖像并利用K-SVD算法為每類人臉圖像學(xué)習(xí)一個(gè)特定類字典并獲得初始化字典和編碼系數(shù)，從而獲得字典的類標(biāo)矩陣，進(jìn)而構(gòu)造profiles的Fisher判別約束項(xiàng)。

3.根據(jù)權(quán)利要求1所述的一種基于低秩字典學(xué)習(xí)算法的人臉識(shí)別方法，其特征在于，所述第二步是在第一步構(gòu)造profiles的Fisher判別約束項(xiàng)的基礎(chǔ)上構(gòu)建目標(biāo)函數(shù)并對(duì)目標(biāo)函數(shù)進(jìn)行求解，以利用每類訓(xùn)練樣本對(duì)應(yīng)的編碼系數(shù)來計(jì)算每類編碼系數(shù)的平均值。

4.根據(jù)權(quán)利要求1所述的一種基于低秩字典學(xué)習(xí)算法的人臉識(shí)別方法，其特征在于，第三步輸入人臉圖像數(shù)據(jù)的方式為利用字典對(duì)人臉圖像進(jìn)行稀疏表示，并獲得表示系數(shù)，以輸入到分類模型上。