类内平均值最大相似性协作表示人脸识别方法

摘要

本发明公开了一种基于类内平均值最大相似性协作表示的人脸识别方法。首先选取每类训练样本集中与测试样本相似的若干样本，组成近邻样本集；然后将各类近邻样本的类内平均图像协作表示并重构，并根据各类内近邻平均图像的重构误差选择最相似的若干类近邻协作表示；这种以缩小目标类别为目的的近邻样本协作表示在一定程度上降低了运算的复杂度，并进一步提高了识别率。

主权项

一种基于类内平均值最大相似性协作表示的人脸识别方法，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Χ＝[Χ₁,…,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之间的距离，并找出各类训练样本中与测试样本y距离最近的K个近邻样本，其中第i类K近邻样本组成的矩阵为则新的近邻样本矩阵Step3：在近邻样本矩阵中计算每一类近邻样本的类内平均值则类内近邻平均图像矩阵Step4：将近邻平均图像矩阵作为编码字典，用最小二乘法求解基于协作表示模型的编码系数α，得Step5：利用系数向量α中对应于各类内近邻平均图像的稀疏系数α_i分别重构测试样本y，得到属于各类内近邻平均图像的重构样本组成类内近邻平均图像重构样本集Step6：计算各类近邻平均图像重构样本与测试样本y的误差e_i，即Step7：根据重构误差e_i，从近邻样本集中选择误差最小的前S类近邻样本，其中第φ_i类近邻样本矩阵为以此组成新的近邻样本集Step8：将重构误差最小的前S类近邻样本集作为编码字典，用最小二乘法求解基于协作表示模型的编码系数得Step9：利用系数向量中对应于前S类各类近邻样本的系数分别重构测试样本y，得到属于各类近邻的重构样本Step10：计算前S类各类近邻重构样本与测试样本y之间的误差，即Step11：根据判断测试样本y的归属。