1.基于混合扩展块字典稀疏表示的单样本人脸识别方法,其特征在于:包括以下步骤,步骤(S1):构建非目标对象的通用数据集X,将非目标对象的通用数据集X划分为B个非目标对象的通用块样本集 在对应块样本空间上学习KDA算法,得到KDA投影矩阵所述非目标对象的通用数据集X指受表情、光照、遮挡各种干扰因素影响的图像的集合,而非目标对象的通用块样本集 其中,c为样本类别数, 表示第i类样本的第 个块图像集, 中每个块图像用d维列向量表示,共ni个块图像,则 的总样本数为n1+n2+...+nc=n,依次学习B个非目标对象通用块样本集的高维空间分布,得到B个KDA投影矩阵步骤(S2):构建目标对象标准样本集N,并同理步骤(S1)将其划分为B个目标对象标准块样本集 根据式(1)采用步骤(S1)得到KDA投影矩阵 分别对相同局部区域的目标对象标准块样本集 进行低维投影,得到对应的目标对象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表示矩阵的转置运算;
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,列向量的所有元素从实数集R中取值;
步骤(S4):采用KDA算法分别提取非目标对象通用数据集X的遮挡信息和类内变化信息,构建非目标对象的遮挡块字典 和类内差异块字典 得到B个混合完备扩展块字典
步骤(S5):根据混合完备扩展块字典 采用SRC模型中的加权块稀疏表示分类器对目标对象待测样本y的B个块图像 进行线性稀疏表示,根据最小残差划分类别,从而进行该待测样本的遮挡人脸识别。
2.根据权利要求1所述的基于混合扩展块字典稀疏表示的单样本人脸识别方法,其特征在于:步骤(S2)中:目标对象标准块样本集 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个目标对象标准块样本集其中, 为第i个对象
d×1
的第 个块图像的列向量表示,d为样本的列向量维数,R 表示 是一个维数为d的列向量,列向量的元素从实数集R中取值。
3.根据权利要求1所述的基于混合扩展块字典稀疏表示的单样本人脸识别方法,其特征在于:步骤(S4):包括以下步骤:(S41):选择只受遮挡干扰因素影响的图像构建非目标对象的遮挡数据集XO和与遮挡图像同类别的正脸无干扰图像标准数据集XN,并同理步骤(S1)将两者分别划分为B个遮挡块样本集 和标准块样本集
(S42):基于式(2)采用步骤(S1)得到的KDA投影矩阵 对遮挡块样本集 和标准块样本集 进行低维映射并相减,则得到非目标对象的遮挡块字典(S43):选择受光照、表情、姿态非遮挡干扰因素影响的图像构建非目标对象的类内变化数 据 集 X V ,并 同理 步 骤 ( S1 ) 将 其 划分 为 B个 类 内 变 化块 样 本 集其中, 表示第i类样本的第 个类内块样本集;
(S44):根据式(3)采用步骤(S1)得到的KDA投影矩阵 对 进行低维映射,得到低维矩阵 如式(3)所示,其中, 为 在KDA上的低维投影矩阵(i=1,
2,...,C),
(S45):将步骤(S44)中的每一类的低维投影矩阵减去其均值,得到非目标对象的类内差异块字典 如式(4)所示,
其中 为 的均值矩阵,将 中所有列向量相加取平均,得到一个平均列向量 取 且 与 大小相同;
(S46):将非目标对象的遮挡块字典 和类内差异块字典 相结合得到B个混合完备扩展块字典
4.根据权利要求1所述的基于混合扩展块字典稀疏表示的单样本人脸识别方法,其特征在于:步骤(S5)中:根据混合完备扩展块字典 采用SRC模型中的加权块稀疏表示分类器对目标对象待测样本y的B个块图像 进行线性稀疏表示,根据最小残差划分类别,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个块图像并采用步骤(S1)得到KDA投影矩阵 对它们进行低维映射;
(S52):基于以下SRC的目标函数式(5)依次优化求解步骤(S51))所有块图像的稀疏编码系数;
其中, 为目标对象的低维基本块字典, 为非目标对象的混合完备扩展块字典, 为对应目标对象低维基本块字典 的编码系数, 为对应非目标对象混合完备扩展块字典 的编码系数,λ为x正则化系数;
(S53):并根据以下式(6)计算待测样本与每一类重构样本的残差,依据最小残差划分类别:
其中, 表示对应目标对象低维基本块字典 的编码系数 中的第j类系数(j=1,2,...,c), 表示对应非目标对象混合完备扩展块字典 的编码系数,表示判定待测样本y的标签为最小ej值对应的标签。