1.基于核扩展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,步骤(S1):构建训练样本集X,并采用KDA算法引导学习该训练样本集X,得到KDA投影矩阵步骤(S2):构建标准样本集N,并根据式(3)对其采用KDA算法进行投影降维以得到低维基本字典A,其中,φ(N)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,N表示标准样本集,T表示矩阵的转置运算;
步骤(S3):构建测试样本集 其中R为实数集合,d表示样本的列向量维数,n^表示样本个数, 表示测试样本集Y中包含n^个样本,每个样本用维数为d的列向量表示,列向量的所有元素从实数集R中取值;
步骤(S4):采用KDA算法分别提取训练样本集X里训练样本和测试样本集Y里待测样本中的遮挡信息,构建训练样本集X的遮挡字典D1和测试样本集Y的遮挡字典D2,得到混合完备遮挡字典D;具体包括以下子步骤:(S41):基于以下式(4)采用KDA投影矩阵 对训练样本集X中的遮挡样本子集XO和对应的标准样本子集XN进行低维映射,然后将低维向量相减,得到训练样本的遮挡字典D1:d×1
(S42):从测试样本集 中任取一张待测样本y∈R ,并且从训练样本集X中随机选取l类子集X1,X2,...,Xl,采用鲁棒主成分分析算法计算得到待测样本y在这l个训练样本子集中的遮挡信息b1,b2,...,bl,将得到的l个遮挡信息取均值,则得到待测样本y的遮挡信息*
(S43):采用式(5)构建待测样本y的近似样本y ,然后,用KDA投影矩阵 分别对y和*y进行低维投影,得到低维向量yKDA和 将两者相减,得到待测样本y的低维遮挡信息do,如式(6)所示:*
y=y‑k*b (5);
其中k为系数,b为待测样本y的遮挡信息;
(S44):重复步骤(S42)~(S43),计算所有待测样本的遮挡信息,构建得到测试样本集Y的自适应遮挡字典(S45):将训练样本集X的遮挡字典D1和测试样本集Y的遮挡字典D2相结合,得到混合完备遮挡字典D=[D1,D2];
步骤(S5):根据混合完备遮挡字典D,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;具体包括以下步骤:(S51):基于以下SRC的目标函数式(7)优化求解待测样本y∈Y的稀疏编码系数;
其中, A为低维基本字典,D为混合完备遮挡字典,β为对应低维基本字典A的编码系数, 为对应混合完备遮挡字典D的编码系数,λ为正则化系数;
(S52):并根据以下式(8)计算待测样本与每一类重构样本的残差,最后根据以下式(9)将y判断为残差最小的类别;
其中,δj(β)表示对应低维基本字典A的编码系数β中的第j类系数(j=1,2,...,c), 表示对应混合完备遮挡字典D的编码系数,ej表示待测样本y与第j类重构样本的残差(j=1,
2,...,c), 表示判定待测样本y的标签为最小ej值对应的标签。
2.根据权利要求1所述的基于核扩展字典稀疏表示的遮挡人脸识别方法,其特征在于:步骤(S1)中,训练样本集X指包含表情、光照、遮挡具有丰富类内变化信息的训练样本集X=d×n[X1,X2,...,Xc]=[x1,x2,...xn]∈R ,学习该训练样本集的高维空间分布,获得具有c‑1个投影向量的KDA投影矩阵 其中,c为训练样本集中的类别数,X1,d×n
X2,...,Xc表示c个子集,R为实数集合,d表示样本的列向量维数,n表示样本个数,X∈R 表示训练样本集X中包含n个样本,每个样本用维数为d的列向量表示,列向量的所有元素从实数集R中取值。
3.根据权利要求1所述的基于核扩展字典稀疏表示的遮挡人脸识别方法,其特征在于:d×m
步骤(S2)中:构建的标准样本集为N=[x1,x2,...xm]∈R ,指从m个对象中各取出一张无干d×m扰正脸图像,其中,d表示样本的列向量维数,m表示样本个数,R 表示标准样本集N中包含m个样本,每个样本用维数为d的列向量表示,列向量的所有元素从实数集R中取值。