基于图像重构和哈希算法的人脸识别方法

摘要

本发明公开了基于图像重构和哈希算法的人脸识别方法，采用图像重构模型，利用尺度变量a^p，有效地去除了人脸图像中遮挡、掩饰，解决了人脸图像中光照不均匀和图像漂移的问题。引入Hash矩阵，将高维的数据矩阵映射到了一个低维的数据空间，大大地减小了算法的计算量。本发明在保证识别精度的情况下，既能有效处理人脸识别中多输入的问题，又能提高算法的识别效率。

主权项

基于图像重构和哈希算法的人脸识别方法，其特征在于，包括以下步骤：(1)对于人脸图像数据库中的每一个主体，随机选择k幅图像x₁,x₂,...,x_k作为该主体的测试图像，并组成相应的测试矩阵X＝[x₁,...,x_k]，其中，x_i代表第i幅测试图像，1≤i≤k；每一个主体中的其他图像作为该主体的训练图像，将所有主体的训练图像整合成训练数据矩阵D，并对每个主体的训练图像生成相应的标签；(2)将同一个主体的的多个测试图像分别按照相同的非重叠的分块方式分成n_p块，同时对分块后测试图像x_i的每一块都关联一个尺度变量其中，$a_i^p\ge 0,a_1^p+...+a_k^p=1,$p＝1,2,...,n_p，n_p≥2；(3)列出重构图像x与测试图像的关系式：式(1)中，为分块后测试矩阵X的转换形式，代表的是测试矩阵中第p块所对应的矩阵，是与关联的尺度变量矩阵，1≤p≤n_p；(4)初始化$a^p={[\frac{1}{k},...,\frac{1}{k}]}^T;$(5)对式(2)进行凸优化的求解，迭代求出相应的优化解a^p：$s.t.\underset{i=1}{\overset{k}{\Sigma }}{a}_i^p=1\mathrm{forp}=1...n_p\mathrm{and}{a}_i^p\ge 0,$式(2)中，c代表稀疏系数，ψ(c)代表稀疏约束条件，λ₁是拉格朗日乘子，0＜λ₁＜1；(6)将步骤(5)得到的a^p代入式(1)中，输出相应的重构图像；(7)构建Hash矩阵H，利用Hash矩阵H对训练数据矩阵D及重构图像x进行空间变换：Φ＝HD，其中，代表的是经过变换后的训练数据矩阵，表示变换后的训练数据矩阵的行数为d、列数为m，代表经过变换后的重构图像；(8)利用匹配跟踪算法对式(3)进行求解，获得最优化的稀疏系数c：$\underset{c\in R^m}{\min }{\left|\right|\tilde{x}-\mathrm{\Phi c}\left|\right|}_{l_2}^2+{\lambda }_2{\left|\right|c\left|\right|}_{l_1}---\left(3\right)$式(3)中，R^m表示m维的解空间，λ₂是拉格朗日乘子，0＜λ₂＜1，l₁、l₂表示一范数和二范数；(9)求解重构图像与主体之间的残差：$r_j\left(x\right)={\left|\right|\tilde{x}-\Phi c^j\left(x\right)\left|\right|}_{l_2}---\left(4\right)$式(4)中，j＝1,...,M，c^j表示c中与第j个主体相对应的稀疏系数，M表示主体的总数；(10)输出识别标签identify，根据identify与步骤(1)中生成的训练图像标签做比照，得出识别结果，其中，identify＝argmin_jr_j(x)。