1.基于核扩展块字典稀疏表示的遮挡人脸识别方法,其特征在于:包括以下步骤,d×n步骤(S1):构建训练样本集X=[X1,X2,...,Xc]=[x1,x2,...xn]∈R ,c为训练样本集中的类别数,X1,X2,...,Xc表示c个子集,将训练样本集X划分为B个训练块样本集 在对应块样本空间上学习KDA算法,得到KDA投影矩阵步骤(S2):构建标准样本集N,并同理步骤(S1)将其划分为B个标准块样本集 根据式(3)采用步骤(S1)得到KDA投影矩阵 分别对对应位置的标准块样本集 进行低维投影,得到对应的低维基本块字典其中, 表示采用非线性核函数对数据进行高维映射,该非线性核函数为径向基核函数,T表示对矩阵进行转置运算;
MN×s
步骤(S3):构建测试样本集Y=[y1,y2,...,ys]∈R ,MN×s
其中R为实数集合,MN表示样本的列向量维数,s表示样本个数,Y∈R 表示测试样本集Y中包含s个样本,每个样本用维数为MN的列向量表示;
步骤(S4):采用KDA算法分别提取训练样本集X里相同局部区域的训练块样本 和测试样本集Y里相同局部区域的待测块样本 中的遮挡信息,构建训练块样本 的遮挡字典 和待测块样本 的遮挡字典 得到混合完备遮挡块字典 具体包括以下步骤:(S41):基于式(4)采用步骤(S1)得到的KDA投影矩阵 对训练块样本集 中的遮挡块样本子集 和标准块样本子集 进行低维映射,将低维向量相减,则得到各个训练块样本集 的遮挡块字典(S42):从原来未分割的训练样本集X=[X1,X2,...,Xc]中随机选取l类子集X1,X2,...,MN×1Xl,采用鲁棒主成分分析算法计算得到待测样本yi∈R ,其中yi是尺寸为M×N图像的列向量表示,在这l类图像子集中的遮挡信息b1,b2,...,bl,并将得到的l个遮挡信息取均值,则得到待测样本yi的遮挡信息*
(S43):采用式(5)计算待测样本yi的近似样本yi:*
yi=yi‑k*zi (5);
其中k为系数;
*
(S44):同理步骤(S1)将待测样本yi和近似样本yi 分块,得到B个待测块样本和近似块样本 其中: 根据式(6)采用步骤(S1)得到的KDA投影矩阵 对待测块样本 和近似块样本 进行低维投影,将两者相减,则得到待测样本yi的各个待测块样本 的遮挡信息(S45):重复步骤(S42)~(S44),通过公式(6)计算得到所有测试样本集Y=[y1,y2,...,MN×sys]∈R 中所有待测块样本的遮挡信息,构建得到测试样本集Y的B个自适应遮挡块字典其中, 表示为第i个待测样本的第 个块图像的遮挡信息;
(S46):将训练样本和测试样本相同局部区域的遮挡块字典 和 相结合,得到B个混合完备遮挡块字典步骤(S5):根据混合完备遮挡块字典 采用SRC模型对待测样本进行线性稀疏表示分类,进行该待测样本的遮挡人脸识别;所述根据混合完备遮挡块字典 采用SRC模型对待测样本进行线性稀疏表示分类,包括以下步骤:(S51):从测试样本集Y中任取一待测样本y,将其分割成B个待测块样本(S52):基于以下SRC的目标函数式(7)依次优化求解步骤(S51))所有待测块样本的稀疏编码系数;
其中: 低维基本块字典, 为混合
完备遮挡块字典, 为对应低维基本块字典 的编码系数, 为对应混合完备遮挡块字典 的编码系数,λ为正则化系数;
(S53):并根据以下式(8)计算所有待测块样本 与每一类重构块样本的残差,最后,根据式(9)计算得到待测样本y的重构残差,依据最小残差划分类别;
其中: 表示对应低维基本块字典 的编码系数 中的第j类系数,j=1,2,...,c, 表示对应混合完备遮挡块字典 的编码系数, 表示第 个待测块样本 与对应的第 个第j类重构块样本的残差,表示判定待测样本y的标签为最小 值对应的标签。
2.根据权利要求1所述的基于核扩展块字典稀疏表示的遮挡人脸识别方法,其特征在于:步骤(S1)中,训练块样本集 指包含表情、光照、遮挡具有丰富类内变化信息的训练块样本集 其中: c为训练样本类别数,表示第i类样本的第 个块图像集,包含ni个块图像,每个块图像用d维列向量表示,则训练块样本集 的总样本数为n1+n2+...+nc=n;
依次学 习B个 训练块样 本集的高 维空间 分布 ,得到B 个KDA 投影矩阵
3.根据权利要求1所述的基于核扩展块字典稀疏表示的遮挡人脸识别方法,其特征在于:步骤(S2)中:标准块样本集 是指从m个对象中各取出一张无干扰正脸图像,然后将每张无干扰正脸图像均划分为B块,构建B个标准块样本集其中, 为第i个对象的第 个块图像的列向量表示,其中dd×m
为列向量维数,R 表示标准块样本集 中包含m个样本,每个样本用维数为d的列向量表示。