[發明專利]一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法

在審

• 申請號: 201911118423.2
• 申請日: 2019-11-15
• 公開（公告）號: CN110889345A
• 公開（公告）日: 2020-03-17
• 發明（設計）人: 陶洋;孫雨浩;胡昊;鮑靈浪;郭坦
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法，其特征在于：該方法包括以下步驟：

S1)該方法首先提出一種改進的低秩矩陣恢復方法，引入結構非相關性約束，可以有效地從被污損的訓練樣本中恢復出干凈的訓練樣本；

S2)在步驟S1)的基礎上提出一種基于低秩投影矩陣的協作表示與分類的方法，進一步進行遮擋人臉識別操作。

2.根據權利要求1所述的一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法，其特征在于：所述步驟S1中，具體過程如下：

步驟S11)首先獲取訓練樣本矩陣X，通過執行低秩矩陣恢復，將數據樣本X分解成字典D＝[D₁,D₂,...,D_N]，其中D_i為來自類i恢復的干凈訓練樣本集合，即D_i＝A_iZ_i；

步驟S12)我們添加一個正則項對原始的LRR公式進行改進，使不同類別的訓練樣本盡可能的獨立。構建一個新的低秩矩陣恢復模型：

s.t.X_i＝A_iZ_i+E_i

步驟S13)針對步驟S12)的模型通過非精確增廣拉格朗日乘子(ALM)算法進行求解；

步驟S14)通過步驟S13)可以求出一個最優解Z^*，最后可得到恢復的“干凈”人臉圖像矩陣D＝XZ^*。

3.根據權利要求2所述的一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法，其特征在于：所述步驟S13中，具體過程如下：

步驟S131)我們首先通過引入輔助變量J_i將步驟S12)模型轉化為下面的等價優化問題：

s.t.X_i＝A_iZ_i+E_i，Z_i＝J_i

步驟S132)然后構造增廣拉格朗日函數，將上述增廣拉格朗日函數改寫成如下形式：

其中：

步驟S133)針對步驟S132)的模型執行ALM算法，交替地更新變量Z_i、J_i、E_i，我們在每一步中固定了其他兩個變量；

步驟S134)更新拉格朗日常數：

步驟S135)檢查收斂條件，直至收斂：

步驟S136)求出一個最優解Z^*。

4.根據權利要求1所述的一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法，其特征在于：所述步驟S2中，具體過程如下：

步驟S21)在步驟S14)的得到原始訓練樣本X的恢復結果Y之后，然后學習一個X和Y之間的線性低秩投影矩陣P；

步驟S22)接著，將受污損的測試樣本投影到低秩投影矩陣P相應的底層子空間來進行測試樣本的修正；

步驟S23)最后，計算修正后測試樣本的表示殘差，利用協作表示與分類人臉識別方法，對測試樣本進行分類，由此獲得最終的識別結果。

5.根據權利要求4所述的一種基于協作表示與分類的判別低秩矩陣恢復遮擋人臉識別方法，其特征在于：所述步驟S21中，具體過程如下：

步驟S211)我們可以假設P是一個低秩矩陣，因為恢復結果被認為是從多個低秩子空間的并集中得到的。優化問題表述如下：

步驟S212)由于秩函數計算量大，可以通過用核范數代替秩函數來放寬優化問題，新的凸優化問題表示為:

步驟S213)假設P≠0,Y＝PX有可行解，步驟S212)中的模型唯一解可以表示為P^*＝YX⁺，其中X⁺是X的偽逆矩陣，得到最優解P^*。