技術(shù)特征：

1.基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識別方法，其特征在于，包括如下步驟：

步驟1，用大小相等的正方形窗口對所有類的訓(xùn)練人臉圖像和測試人臉圖像進(jìn)行分塊，正方形窗口滑過圖像的每個像素點，在圖像的每一個像素點處得到對應(yīng)的一個正方形塊，接著在每個正方形塊內(nèi)部，再確定出一個中心子塊及其若干鄰域子塊；

步驟2，假設(shè)每個正方形塊內(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，所有類的測試人臉圖像像素i處對應(yīng)的正方形塊內(nèi)的全部子塊構(gòu)建測試矩陣Xⁱ，使用低秩表示模型描述不同測試人臉圖像所對應(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，對每個測試人臉圖像的各正方形塊進(jìn)行分類；

步驟6，識別每個測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試人臉圖像所屬的類別。

2.根據(jù)權(quán)利要求1所述基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識別方法，其特征在于，所述步驟1的具體過程為：

1.1定義圖像中任意一個像素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鄰域像素對應(yīng)一個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個像素表示成向量形式為j＝1,…,P，同樣地，中心像素i也對應(yīng)一個S×S子塊，表示成向量形式為中心像素i及其鄰域像素對應(yīng)的所有子塊形成一個以像素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。

3.根據(jù)權(quán)利要求1所述基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識別方法，其特征在于，所述步驟2的具體過程為：

2.1局部字典其中表示第k個或類訓(xùn)練人臉圖像在像素i處對應(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)練人臉圖像的總個數(shù)或總類別數(shù)，P表示像素i的鄰域像素的總個數(shù)；

2.2測試矩陣其中表示第j個測試人臉圖像在像素i處對應(yīng)的正方形塊內(nèi)的子塊構(gòu)成的矩陣，j＝1,2,…,M，M表示測試人臉圖像的總個數(shù)，P表示像素i的鄰域像素的總個數(shù)；

2.3使用低秩表示模型描述不同測試人臉圖像所對應(yīng)的子空間：

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||_*的正則項系數(shù)，||·||_F表示F范數(shù)，||·||_*表示核范數(shù)。

4.根據(jù)權(quán)利要求1所述基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識別方法，其特征在于，步驟3所述新的低秩表示模型為：

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||_*的正則項系數(shù)，β表示∑_j∑_k||δ_k,j(Zⁱ)||_F的正則項系數(shù)，δ_k,j表示映射函數(shù)，δ_k,j(Zⁱ)表示將Zi中與第k類訓(xùn)練人臉圖像和第j個測試人臉圖像相關(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表示測試矩陣，Aⁱ表示局部字典。

5.根據(jù)權(quán)利要求1所述基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識別方法，其特征在于，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：

$\underset{Z,E}{min}\frac{1}{2}\left|\right|E|{|}_F^2+\mathrm{\λ}|\left|H\right|{|}_{*}+{\mathrm{\β\Σ}}_j{\mathrm{\Σ}}_k\left|\right|{\mathrm{\δ}}_{k,j}\left(Q\right)|{|}_F$

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||_*的正則項系數(shù)，β表示∑_j∑_k||δ_k,j(Q)||_F的正則項系數(shù)，δ_k,j(Q)表示將Q中與第k類訓(xùn)練人臉圖像和第j個測試人臉圖像相關(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：

$\begin{array}{c}L=\frac{1}{2}\left|\right|E|{|}_F^2+\mathrm{\λ}|\left|H\right|{|}_{*}+\mathrm{\β}{\Σ}_j{\Σ}_k\left|\right|{\mathrm{\δ}}_{k,j}\left(Q\right)|{|}_F+\\ Tr\left(Y_1^T\right(X-AZ-E\left)\right)+Tr\left(Y_2^T\right(Z-H\left)\right)+Tr\left(Y_3^T\right(Z-Q\left)\right)+\\ \frac{\mathrm{\μ}}{2}\left(\right||X-AZ-E|{|}_F^2+\left|\right|Z-H|{|}_F^2+||Z-Q|{|}_F^2)\end{array}$

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)：

$H=\arg \min \frac{\mathrm{\λ}}{\mathrm{\μ}}\left|\right|H|{|}_{*}+\frac{1}{2}||H-(Z+Y_2/\mathrm{\μ})|{|}_F^2$

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)：

$Q=\arg min\frac{\mathrm{\β}}{\mathrm{\μ}}{\mathrm{\Σ}}_j{\mathrm{\Σ}}_k\left|\right|{\mathrm{\δ}}_{k,j}\left(Q\right)|{|}_F+\frac{1}{2}||Q-(Z+Y_3/\mathrm{\μ})|{|}_F^2$

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：

$Q^{*}=\arg {\mathrm{min\α\Σ}}_j{\mathrm{\Σ}}_k\left|\right|{\mathrm{\δ}}_{k,j}\left(Q\right)|{|}_F+\frac{1}{2}||Q-W|{|}_F^2$

對于任意的k、j，

4.5固定其他未知數(shù)，通過如下方式更新Z：

Z＝(A^TA+2I)^-1(A^TX-A^TE+H+Q+(A^TY₁-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,μ_max)，其中，μ_max＝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，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。

6.根據(jù)權(quán)利要求1所述基于塊稀疏結(jié)構(gòu)低秩表示的單樣本人臉識別方法，其特征在于，所述步驟5的分類公式為：

$r_j^i=\arg {\max }_k\left|\right|{\mathrm{\δ}}_{k,j}\left(Z^i\right)|{|}_F$

其中，表示第j個測試人臉圖像的像素i對應(yīng)的正方形塊所屬的類別，δ_k,j(Zⁱ)表示將Zⁱ中與第k類訓(xùn)練人臉圖像和第j個測試人臉圖像相關(guān)的系數(shù)保留下來，其余全部置0，||·||_F表示F范數(shù)。