本發(fā)明涉及單樣本人臉識(shí)別方法，特別是涉及每個(gè)待識(shí)別對(duì)象僅有一幅訓(xùn)練圖像的基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法，屬于人臉識(shí)別
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：自動(dòng)人臉識(shí)別是利用計(jì)算機(jī)分析人臉圖像或視頻，實(shí)現(xiàn)辨認(rèn)身份的一種技術(shù)。作為一種最直接、最自然、最容易被人接受的生物特征識(shí)別技術(shù)，自動(dòng)人臉識(shí)別一直是模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域最熱門的研究課題之一，其在理論和實(shí)際應(yīng)用方面都有非常重要的研究意義。在理論方面，自動(dòng)人臉識(shí)別問題的深入研究和有效解決，可以極大地促進(jìn)模式識(shí)別、圖像處理與分析、計(jì)算機(jī)視覺、神經(jīng)計(jì)算和認(rèn)知心理學(xué)等相關(guān)學(xué)科的發(fā)展。在實(shí)際應(yīng)用方面，人臉識(shí)別技術(shù)在公共安全和日常生活中有著廣泛的應(yīng)用，特別是“9.11”恐怖襲擊事件之后，恐怖組織直接威脅到國(guó)家安全和平常百姓的生命安全，人臉識(shí)別技術(shù)作為一種簡(jiǎn)單、有效的反恐手段而受到前所未有的重視，被廣泛應(yīng)用于商場(chǎng)、地鐵和機(jī)場(chǎng)等公共場(chǎng)所。在眾多已有的人臉識(shí)別方法中，鑒別特征的提取是人臉識(shí)別的關(guān)鍵。過去幾十年中，在眾多的特征提取算法中子空間學(xué)習(xí)方法受到了廣泛的關(guān)注。其基本思想是通過一定的準(zhǔn)則函數(shù)尋找一組基向量，把原始的高維特征投影到這組基向量所張成的低維子空間中，從而使得數(shù)據(jù)更加緊湊更具有鑒別性，另外也可以降低計(jì)算量。子空間學(xué)習(xí)方法中最具代表性的當(dāng)屬主成分分析(M.A.Turk,A.P.Pentland,“Eigenfacesforrecognition,”Journalofcognitiveneuroscience,1991,3(1):71-86)和線性鑒別分析(P.N.Belhumeur,J.P.Hespanha.Kriegman,D.J.“Eigenfacesvs.Fisherfaces:Recognitionusingclassspecificlinearprojection,”IEEETransactionsonPatternAnalysisandMachineIntelligence,1997,19(7):711-720)，其已經(jīng)被廣泛地應(yīng)用于人臉識(shí)別中并取得了很好的識(shí)別結(jié)果。近年來J.Wright等人提出的基于稀疏表示的人臉識(shí)別方法(A.Yang,A.Ganesh,S.Sastry,andY.Ma,“RobustFaceRecognitionviaSparseRepresentation,”IEEETrans.PatternAnalysisandMachineIntelligence,vol.31,no.2,pp.210-227,2009)使得特征空間的選擇不再那么重要，其基本原理是利用所有訓(xùn)練圖像構(gòu)造字典，再通過求解一個(gè)欠定方程組來求得測(cè)試圖像的最稀疏線性組合系數(shù)，然后根據(jù)這些系數(shù)來對(duì)圖像進(jìn)行識(shí)別分類。在實(shí)際生活中，例如護(hù)照驗(yàn)證、安全監(jiān)控、身份證驗(yàn)證通常一個(gè)人只有一個(gè)樣本，這種情況下的人臉識(shí)別問題我們稱之為“單樣本”問題。在這種情況下，很多傳統(tǒng)的人臉識(shí)別方法以及基于稀疏或協(xié)同表示的人臉識(shí)別方法性能下降嚴(yán)重甚至無(wú)法工作。這主要是因?yàn)檫@些傳統(tǒng)的方法對(duì)單樣本情況下產(chǎn)生的野值點(diǎn)或遮擋、光照等稀疏噪聲不夠魯棒。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是：提供基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法，為單樣本人臉識(shí)別問題提供了一種簡(jiǎn)單有效的解決方案。本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法，包括如下步驟：步驟1，用大小相等的正方形窗口對(duì)所有類的訓(xùn)練人臉圖像和測(cè)試人臉圖像進(jìn)行分塊，正方形窗口滑過圖像的每個(gè)像素點(diǎn)，在圖像的每一個(gè)像素點(diǎn)處得到對(duì)應(yīng)的一個(gè)正方形塊，接著在每個(gè)正方形塊內(nèi)部，再確定出一個(gè)中心子塊及其若干鄰域子塊；步驟2，假設(shè)每個(gè)正方形塊內(nèi)的不同子塊屬于同一線性子空間，利用所有類的訓(xùn)練人臉圖像像素i處對(duì)應(yīng)的正方形塊內(nèi)的全部子塊構(gòu)建局部字典Ai，所有類的測(cè)試人臉圖像像素i處對(duì)應(yīng)的正方形塊內(nèi)的全部子塊構(gòu)建測(cè)試矩陣Xi，使用低秩表示模型描述不同測(cè)試人臉圖像所對(duì)應(yīng)的子空間；步驟3，在步驟2的低秩表示模型中加入塊稀疏約束，得到新的低秩表示模型；步驟4，通過非嚴(yán)格的增廣拉格朗日乘法求解步驟3新的低秩表示模型，得到低秩表示系數(shù)矩陣；步驟5，根據(jù)低秩表示系數(shù)矩陣，對(duì)每個(gè)測(cè)試人臉圖像的各正方形塊進(jìn)行分類；步驟6，識(shí)別每個(gè)測(cè)試人臉圖像的各正方形塊的類別后，通過投票的方法確定測(cè)試人臉圖像所屬的類別。作為本發(fā)明的一種優(yōu)選方案，所述步驟1的具體過程為：1.1定義圖像中任意一個(gè)像素i為中心、半徑為R的正方形上的像素為該像素的鄰域像素，則像素i的領(lǐng)域像素集表示為每個(gè)鄰域像素對(duì)應(yīng)一個(gè)以該鄰域像素為中心的S×S子塊，S為大于等于3的奇數(shù)，子塊中的中的S2個(gè)像素表示成向量形式為同樣地，中心像素i也對(duì)應(yīng)一個(gè)S×S子塊，表示成向量形式為中心像素i及其鄰域像素對(duì)應(yīng)的所有子塊形成一個(gè)以像素i為中心、大小為(S+2R)×(S+2R)的正方形塊，P表示鄰域像素的總個(gè)數(shù)；1.2采用邊緣像素境像的方法來處理圖像的邊緣像素，得到以圖像的邊緣像素為中心的正方形塊。作為本發(fā)明的一種優(yōu)選方案，所述步驟2的具體過程為：2.1局部字典其中表示第k個(gè)或類訓(xùn)練人臉圖像在像素i處對(duì)應(yīng)的正方形塊內(nèi)的子塊構(gòu)成的字典，k＝1,2,…,K，K表示訓(xùn)練人臉圖像的總個(gè)數(shù)或總類別數(shù)，P表示像素i的鄰域像素的總個(gè)數(shù)；2.2測(cè)試矩陣其中表示第j個(gè)測(cè)試人臉圖像在像素i處對(duì)應(yīng)的正方形塊內(nèi)的子塊構(gòu)成的矩陣，j＝1,2,…,M，M表示測(cè)試人臉圖像的總個(gè)數(shù)，P表示像素i的鄰域像素的總個(gè)數(shù)；2.3使用低秩表示模型描述不同測(cè)試人臉圖像所對(duì)應(yīng)的子空間：minZi,Ei12||Ei||F2+λ||Zi||*,s.t.Xi=AiZi+Ei]]>其中，Zi表示低秩表示系數(shù)矩陣，Ei表示誤差，λ表示||Zi||*的正則項(xiàng)系數(shù)，||·||F表示F范數(shù)，||·||*表示核范數(shù)。作為本發(fā)明的一種優(yōu)選方案，步驟3所述新的低秩表示模型為：minZi,Ei12||Ei||F2+λ||Zi||*+βΣjΣk||δk,j(Zi)||F,s.t.Xi=AiZi+Ei]]>其中，Zi表示低秩表示系數(shù)矩陣，Ei表示誤差，λ表示||Zi||*的正則項(xiàng)系數(shù)，β表示∑j∑k||δk,j(Zi)||F的正則項(xiàng)系數(shù)，δk,j表示映射函數(shù)，δk,j(Zi)表示將Zi中與第k類訓(xùn)練人臉圖像和第j個(gè)測(cè)試人臉圖像相關(guān)的系數(shù)保留下來，其余全部置0，||·||F表示F范數(shù)，||·||*表示核范數(shù)，Xi表示測(cè)試矩陣，Ai表示局部字典。作為本發(fā)明的一種優(yōu)選方案，所述步驟4的具體過程為：4.1將步驟3新的低秩表示模型轉(zhuǎn)化為如下形式，忽略像素i：minZ,E12||E||F2+λ||H||*+βΣjΣk||δk,j(Q)||F]]>s.t.X＝AZ+E,Z＝H,Z＝Q其中，Z表示低秩表示系數(shù)矩陣，E表示誤差，λ表示||H||*的正則項(xiàng)系數(shù)，β表示∑j∑k||δk,j(Q)||F的正則項(xiàng)系數(shù)，δk,j(Q)表示將Q中與第k類訓(xùn)練人臉圖像和第j個(gè)測(cè)試人臉圖像相關(guān)的系數(shù)保留下來，其余全部置0，||·||F表示F范數(shù)，||·||*表示核范數(shù)，X表示測(cè)試矩陣，A表示局部字典；4.2將4.1的模型轉(zhuǎn)換為增廣拉格朗日函數(shù)L：L=12||E||F2+λ||H||*+βΣjΣk||δk,j(Q)||F+Tr(Y1T(X-AZ-E))+Tr(Y2T(Z-H))+Tr(Y3T(Z-Q))+μ2(||X-AZ-E||F2+||Z-H||F2+||Z-Q||F2)]]>其中，Tr(·)表示矩陣的跡，Y1、Y2、Y3表示拉格朗日乘子，T表示轉(zhuǎn)置，μ為大于0的懲罰參數(shù)；4.3Z、H、Q、E、Y1、Y2、Y3初始化為0，μ＝10-6，固定其他未知數(shù)，更新H，則模型的目標(biāo)函數(shù)可以轉(zhuǎn)化為如下求H的目標(biāo)函數(shù)：H=argminλμ||H||*+12||H-(Z+Y2/μ)||F2]]>該目標(biāo)函數(shù)可以通過SVT算子求得閉合解；4.4獲得4.3中H的最優(yōu)解后，固定其他未知數(shù)，更新Q，則模型可以轉(zhuǎn)化為如下求Q的目標(biāo)函數(shù)：Q=argminβμΣjΣk||δk,j(Q)||F+12||Q-(Z+Y3/μ)||F2]]>令W＝Z+Y3/μ，上述求Q的目標(biāo)函數(shù)可以轉(zhuǎn)化為如下形式：Q*=argminαΣjΣk||δk,j(Q)||F+12||Q-W||F2]]>對(duì)于任意的k、j，4.5固定其他未知數(shù)，通過如下方式更新Z：Z＝(ATA+2I)-1(ATX-ATE+H+Q+(ATY1-Y2-Y3)/μ)4.6固定其他未知數(shù)，通過如下方式更新E：E＝(μ(X-AZ)+Y1)/(1+μ)4.7更新拉格朗日乘子：Y1＝Y(jié)1+μ(X-AZ-E)Y2＝Y(jié)2+μ(Z-H)Y3＝Y(jié)3+μ(Z-Q)4.8更新參數(shù)μ：μ＝min(ρμ,μmax)，其中，μmax＝1010，ρ＝1；4.9檢查是否滿足以下收斂條件：||X-AZ-E||∞＜ε||Z-H||∞＜ε||Z-Q||∞＜ε其中，ε＝10-8，當(dāng)不滿足上述收斂條件時(shí)，重復(fù)4.3-4.9，直至滿足收斂條件，得到低秩表示系數(shù)矩陣。作為本發(fā)明的一種優(yōu)選方案，所述步驟5的分類公式為：rji=argmaxk||δk,j(Zi)||F]]>其中，表示第j個(gè)測(cè)試人臉圖像的像素i對(duì)應(yīng)的正方形塊所屬的類別，δk,j(Zi)表示將Zi中與第k類訓(xùn)練人臉圖像和第j個(gè)測(cè)試人臉圖像相關(guān)的系數(shù)保留下來，其余全部置0，||·||F表示F范數(shù)。本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：1、本發(fā)明一方面由于低秩表示對(duì)表情、光照變化和遮擋等具有很好的魯棒性，因而具有較高的識(shí)別精度，另一方面源于加入的塊稀疏約束增強(qiáng)了低秩模型的判別能力。2、本發(fā)明無(wú)需特征提取，分類簡(jiǎn)單易行；且充分利用了樣本的互補(bǔ)性和相關(guān)性。3、本發(fā)明判別圖像塊類別的工作可以并行處理，因而可以大大節(jié)省計(jì)算時(shí)間，提供計(jì)算效率。附圖說明圖1是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法的算法流程圖。圖2是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法的像素鄰域示意圖；其中，(a)P＝8，R＝1；(b)P＝16，R＝2；(c)P＝24，R＝3。圖3是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法的子塊關(guān)系示意圖，以P＝8，R＝1為例；其中，(a)為中心像素i0的子塊，(b)為鄰域像素i1的子塊，(c)為鄰域像素i5的子塊。圖4是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法的塊與子塊兩級(jí)劃分示意圖，以P＝16，R＝2為例。圖5是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法塊稀疏結(jié)構(gòu)圖。圖6是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法在ExtendedYaleB人臉庫(kù)上的性能效果對(duì)比圖。圖7是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法在AR人臉庫(kù)Session1上的性能效果對(duì)比圖。圖8是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法在AR人臉庫(kù)Session2上的性能效果對(duì)比圖。圖9是本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法在LFW人臉庫(kù)上的性能效果對(duì)比圖。具體實(shí)施方式下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出。下面通過參考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。近年來，低秩表示LRR(G.Liu,Z.Lin，Robustrecoveryofsubspacestructuresbylow-rankrepresentation)由于能夠?qū)崿F(xiàn)多個(gè)子空間結(jié)構(gòu)的有效分割從而吸引了越來越多的關(guān)注。它試圖揭示隱含在高維空間的成員關(guān)系。由于低秩約束對(duì)野值和各種圖像變化更加魯棒，因而，LRR也應(yīng)該可以用來解決單樣本問題。此外，低秩表示模型利用樣本間的相關(guān)性和互補(bǔ)性從全體數(shù)據(jù)中捕捉本質(zhì)特征，并且符合人類視覺感知的稀疏編碼策略，因此理論上適合用于提升單樣本人臉識(shí)別性能?；谶@一想法，本發(fā)明提出一種基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法。結(jié)合圖1所示，本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法，包括以下步驟：1、將所有單訓(xùn)練樣本和測(cè)試樣本的人臉圖像劃分為多個(gè)重疊的塊，每個(gè)塊中心對(duì)應(yīng)圖像的一個(gè)像素點(diǎn)；接著在每一塊內(nèi)部，再劃分出一個(gè)中心子塊和周邊的若干鄰域子塊，提出人臉圖像的每一個(gè)塊內(nèi)的不同子塊屬于同一線性子空間的合理假設(shè)，具體如下：(1)將所有單訓(xùn)練樣本和測(cè)試樣本的人臉圖像劃分為多個(gè)重疊的塊，每個(gè)塊中心對(duì)應(yīng)圖像的一個(gè)像素點(diǎn)，以該像素點(diǎn)為中心、半徑為R的正方形上的像素為該像素的鄰域像素，則像素i的鄰域像素集可以表示為如圖2的(a)、(b)、(c)所示，分別為不同P，R情況下的鄰域集。鄰域集中的每個(gè)像素對(duì)應(yīng)一個(gè)以其為中心的S×S子塊(S取大于等于3的奇數(shù))，子塊中的S2個(gè)像素表示成向量形式為同樣地，中心像素i也對(duì)應(yīng)一個(gè)S×S的子塊，表示成向量形式為中心像素i及其鄰域像素對(duì)應(yīng)的所有小塊形成了一個(gè)以像素i為中心的大塊，大小為(S+2R)×(S+2R)，如圖3的(a)、(b)、(c)所示。對(duì)所有訓(xùn)練人臉圖像和測(cè)試人臉圖像使用上述固定大小的正方形大塊進(jìn)行分塊，大塊中心對(duì)應(yīng)圖像中的像素點(diǎn)，每個(gè)大塊由圖3所示的一個(gè)中心子塊和周邊的若干鄰域子塊組成。如圖4所示，為圖像的兩級(jí)劃分示意圖。(2)對(duì)于圖像邊緣像素，采用邊緣像素境像的方法來處理因大塊超出圖像邊緣而導(dǎo)致其內(nèi)部部分像素值缺失的現(xiàn)象，得到以圖像邊緣像素為中心的大塊。(3)由于大塊內(nèi)的中心子塊與鄰域子塊具有極強(qiáng)的相似性，因此可以假設(shè)其屬于同一線性子空間。2、一個(gè)單訓(xùn)練樣本對(duì)應(yīng)一個(gè)類，使用所有類的訓(xùn)練人臉圖像的像素i處對(duì)應(yīng)的塊內(nèi)的全部子塊構(gòu)成局部字典Ai，所有類的測(cè)試人臉圖像的像素i處對(duì)應(yīng)的塊內(nèi)的全部子塊構(gòu)成測(cè)試矩陣Xi；使用如下的低秩表示模型來描述不同人臉?biāo)鶎?duì)應(yīng)的子空間：minZi,Ei12||Ei||F2+λ||Zi||*,s.t.Xi=AiZi+Ei]]>其中，Zi表示低秩表示系數(shù)矩陣，Ei表示誤差，λ表示||Zi||*的正則項(xiàng)系數(shù)。3、根據(jù)1.2所述的低秩表示模型，每張測(cè)試圖像的局部塊內(nèi)的子塊可以由訓(xùn)練圖像在相同位置的子塊及其鄰域子塊線性聯(lián)合表示，所以在理想情況下利用低秩模型獲取低維表征系數(shù)后，表征系數(shù)矩陣會(huì)呈現(xiàn)出塊稀疏的結(jié)構(gòu)，如圖5所示。為了進(jìn)一步加強(qiáng)系數(shù)矩陣的塊稀疏性，我們?cè)诘椭缺磉_(dá)式模型中顯式地加入一個(gè)塊稀疏約束來進(jìn)一步強(qiáng)化所得系數(shù)矩陣的塊稀疏性，即：minZi,Ei12||Ei||F2+λ||Zi||*+βΣjΣk||δk,j(Zi)||F,s.t.Xi=AiZi+Ei]]>其中，β表示∑j∑k||δk,j(Zi)||F的正則項(xiàng)系數(shù)，δk,j表示映射函數(shù)即Rm×n→Rm×n，δk,j(Zi)表示將Zi中與第k類訓(xùn)練人臉圖像和第j個(gè)測(cè)試人臉圖像相關(guān)的系數(shù)保留下來，其余全部置0。4、通過非嚴(yán)格的增廣拉格朗日乘法求解1.3中的低秩模型獲得表示系數(shù)矩陣Zi，具體步驟如下：(1)為了方便，我們忽略1.3中低秩模型的上標(biāo)i，將基于塊稀疏結(jié)構(gòu)的低秩模型轉(zhuǎn)化為如下的形式：minZ,E12||E||F2+λ||H||*+βΣjΣk||δk,j(Q)||F]]>s.t.X＝AZ+E,Z＝H,Z＝Q(2)將(1)中的低秩模型轉(zhuǎn)換為如下的增廣拉格朗日函數(shù)L：L=12||E||F2+λ||H||*+βΣjΣk||δk,j(Q)||F+Tr(Y1T(X-AZ-E))+Tr(Y2T(Z-H))+Tr(Y3T(Z-Q))+μ2(||X-AZ-E||F2+||Z-H||F2+||Z-Q||F2)]]>其中，Tr(·)表示矩陣的跡，Y1、Y2、Y3表示拉格朗日乘子，T表示轉(zhuǎn)置，μ為大于0的懲罰參數(shù)。(3)Z、H、Q、E、Y1、Y2、Y3初始化為0，μ＝10-6，μmax＝1010，ρ＝1，ε＝10-8。(4)首先固定其他未知數(shù)，更新H，則模型的目標(biāo)函數(shù)可以轉(zhuǎn)化為如下求H的目標(biāo)函數(shù)：H=argminλμ||H||*+12||H-(Z+Y2/μ)||F2]]>該目標(biāo)函數(shù)可以通過SVT(SingularValueThresholding)算子求得閉合解。(5)獲得(4)中H的最優(yōu)解后，固定其他未知數(shù)，更新Q，則模型可以轉(zhuǎn)化為如下求Q的目標(biāo)函數(shù)：Q=argminβμΣjΣk||δk,j(Q)||F+12||Q-(Z+Y3/μ)||F2]]>該目標(biāo)函數(shù)可以一塊一塊地去解，令W＝Z+Y3/μ，那么上述求Q的目標(biāo)函數(shù)可以轉(zhuǎn)化為如下形式：Q*=argminαΣjΣk||δk,j(Q)||F+12||Q-W||F2]]>對(duì)于任意的k、j，(6)固定其他未知數(shù)，通過如下方式更新Z：Z＝(ATA+2I)-1(ATX-ATE+H+Q+(ATY1-Y2-Y3)/μ)(7)固定其他未知數(shù)，通過如下方式更新E：E＝(μ(X-AZ)+Y1)/(1+μ)(8)更新拉格朗日乘子：Y1＝Y(jié)1+μ(X-AZ-E)Y2＝Y(jié)2+μ(Z-H)Y3＝Y(jié)3+μ(Z-Q)(9)更新參數(shù)μ：μ＝min(ρμ,μmax)(10)檢查是否滿足以下收斂條件：||X-AZ-E||∞＜ε||Z-H||∞＜ε||Z-Q||∞＜ε若不滿足，則重復(fù)(4)-(10)的操作，直至滿足收斂條件。5、根據(jù)表示系數(shù)矩陣Zi直接進(jìn)行分類，第j個(gè)測(cè)試樣本的第i個(gè)區(qū)域塊的分類結(jié)果由下式獲得：rji=argmaxk||δk,j(Zi)||F]]>其中，表示第j個(gè)測(cè)試人臉圖像的像素i對(duì)應(yīng)的正方形塊所屬的類別。6、對(duì)每個(gè)測(cè)試人臉圖像塊矩陣Xi的低秩表示分類可以并行進(jìn)行，即可以同時(shí)對(duì)多個(gè)測(cè)試人臉圖像塊矩陣進(jìn)行步驟1.2、1.3、1.4、1.5操作。7、識(shí)別每個(gè)測(cè)試人臉塊的類別之后，通過投票的方法最終確定測(cè)試人臉圖像所屬的類別。本發(fā)明基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識(shí)別方法，每塊的低秩表示分類可以并行操作，圖6為在ExtendedYaleB人臉庫(kù)上的性能效果對(duì)比圖，圖7為在AR人臉庫(kù)Session1上性能效果對(duì)比圖，圖8為在AR人臉庫(kù)Session2上的性能效果對(duì)比圖，圖9為在LFW人臉庫(kù)上的性能效果對(duì)比圖。從圖6可以看出，本發(fā)明方法取得了最佳的識(shí)別率。另外圖6也充分說明本發(fā)明方法對(duì)光照變化具有很強(qiáng)的魯棒性，因?yàn)镋xtendedYaleB人臉庫(kù)中的人臉圖像光照變化非常大。從圖7和圖8可以發(fā)現(xiàn)，本發(fā)明方法可以在不依賴于額外訓(xùn)練樣本集的條件下仍然獲得最佳性能，同時(shí)對(duì)光照、表情、遮擋、時(shí)間變化都具有很好的魯棒性。從圖9可以看出，本發(fā)明方法在無(wú)約束環(huán)境下仍然可以獲得最佳的性能。以上實(shí)施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)1 2 3