1.一种基于L2正则化梯度约束稀疏表示的人脸识别方法,其特征在于,包括:获取训练样本集;
基于人脸图像梯度恢复约束信息和L2正则化稀疏表示方法,计算待识别样本在所述训练样本集的训练样本上的表示系数;
采用所述待识别样本在训练样本上的表示系数,计算所述待识别样本在所述训练样本集的每类训练样本上的残差;
将计算得到的最小残差对应的训练样本类别,作为所述待识别样本的类别进行输出。
2.根据权利要求1所述的基于L2正则化梯度约束稀疏表示的人脸识别方法,其特征在于,所述人脸图像梯度恢复约束信息为:其中,Gn表示输入的待识别样本的梯度图,Gin表示恢复的待识别样本的梯度图,wn表示输入的待识别样本的权重向量,n表示输入的待识别样本的第n个图像块,N表示输入的待识别样本的图像块的总数。
3.根据权利要求1所述的基于L2正则化梯度约束稀疏表示的人脸识别方法,其特征在于,所述基于人脸图像梯度恢复约束信息和L2正则化稀疏表示方法,计算待识别样本在所述训练样本集的训练样本上的表示系数,包括:将所述训练样本集中的样本和待识别样本分别划分为重叠的图像块;
构造划分得到的图像块的权重向量的目标函数,并求解得到最优权重向量;
基于计算得到的最优权重向量,计算;
将计算得到的每类待识别样本的估计图作为下一次迭代输入的待识别样本,并从所述将所述训练样本集中的样本和待识别样本分别划分为重叠的图像块开始执行,直至迭代次数达到预设的次数阈值,得到每类待识别样本的最终估计图;
基于计算得到的每类待识别样本的最终估计图,构造基于L2正则化稀疏表示的人脸图像目标函数;
求解所述基于L2正则化稀疏表示的人脸图像目标函数的最优解,作为所述待识别样本在所述训练样本集的训练样本上的表示系数。
4.根据权利要求3所述的基于L2正则化梯度约束稀疏表示的人脸识别方法,其特征在于,所述构造图像块的权重向量的目标函数,并求解得到最优权重向量,包括:构造所述权重向量的目标函数;
将所构造的所述权重向量的目标函数转化为对应的矩阵形式,并采用最小角度回归算法求解最优解,得到所述最优权重向量。
5.根据权利要求4所述的基于L2正则化梯度约束稀疏表示的人脸识别方法,其特征在于,所述权重向量的目标函数为:其中,y(p,q)表示待识别样本第p行第q列图像块, 表示所述训练样本集中第i类中第n个图像的第p行第q列图像块,wn(p,q)表示第p行第q列图像块的权重向量,α表示用于平衡梯度图重构误差的参数,Gn(p,q)表示原来输入的待识别样本第p行第q列图像块的梯度图,Gin(p,q)表示原来恢复出的待识别样本第p行第q列图像块的梯度图。
6.根据权利要求5所述的基于L2正则化梯度约束稀疏表示的人脸识别方法,其特征在于,采用如下的公式计算得到每类待识别样本的估计图:其中, 表示输出的第i类待识别样本的估计图。
7.根据权利要求6所述的基于L2正则化梯度约束稀疏表示的人脸识别方法,其特征在于,采用如下的公式计算所述待识别样本在所述训练样本集的每类训练样本上的残差:其中,di表示所述待识别样本在所述训练样本集的第i类训练样本上的残差。