[0028] 下面结合附图对本发明提供的基于多样本扩充协同表示分类的人脸识别方法的具体实施方式做详细说明。
[0029] 本具体实施方式提供了一种基于多样本扩充协同表示分类的人脸识别方法，附图1是本发明具体实施方式的基于多样本扩充协同表示分类的人脸识别方法流程图。如图1所示，本具体实施方式提供的基于多样本扩充协同表示分类的人脸识别方法，包括如下步骤：
[0030] 步骤一：镜像图法利用图像的对称性得到镜像图；若人脸数据库有t类，每类有n个训练样本，训练样本总数为N＝t*n；令X表示总的原始矩阵，Xi表示X中第i类训练样本矩阵，Xi＝[x(i-1)*n+1,x(i-1)*n+2,…,xi*n]，其中，i＝1,2,…,t；Xi中每一项代表第i类训练样本矩阵中每一个训练样本的列向量；设原始矩阵X具有C行和D列，它对应的镜像矩阵也具有C行和D列；第i类第j个训练样本列向量表示为x(i-1)*n+j，第i类第j个新生成的镜像样本表示为m(i-1)*n+j，其中，i＝1,2,…,t，j＝1,2,…,n；x'(i-1)*t+j(c,d)表示x(i-1)*t+j在第c行和第d列上的像素，m'(i-1)*t+j(c,d)表示m(i-1)*t+j(c,d)在第c行和第d列上的像素，有
[0031] m'(i-1)*t+j(c，d)＝x'(i-1)*t+j(c，D-d+1)，c＝1，2，...，C，d＝1，2，...，D (1)[0032] 将x'(i-1)*t+j(c,d)转化为m((i-1)*t+j(c,d)，令M表示总的镜像图矩阵，Mi表示M中第i类训练样本矩阵，Mi＝[m(i-1)*n+1,m(i-1)*n+2,…,mi*n]。
[0033] 步骤二：第i类原始的训练样本矩阵用Xi表示，使用每类中两个不同的训练样本去构造新的训练样本，会构成 个新的训练样本，若x(i-1)*n+m和x(i-1)*n+k均是来自Xi，新训练样本表示为
[0034]
[0035] 用Xa表示新生成样本矩阵， 其中第i类训练样本矩阵表示为以此得到新的人脸图；
[0036] 步骤三：对于步骤一构造第i类镜像样本图矩阵Mi，运用步骤二的方法，得到由镜像图构造的 个新的镜像图，用Ma表示新生成镜像样本矩阵， 以此得到的新的人脸图；
[0037] 步骤四：设第i类测试样本矩阵的列向量为y，用欧氏距离来测量第i类原始训练样本x(i-1)*n+j与测试样本y之间的偏差程度，令
[0038] di＝||y-x(i-1)*n+j||2 (3)
[0039] di越小，说明x(i-1)*n+j越接近y；从N个训练样本中用欧式距离选出G个训练样本，G≤N，设G个训练样本的列向量分别为q1,q2,…,qG，令Q表示经过欧式距离选择过的训练样本矩阵，Q＝[q1,q2,…,qG]；用G个训练样本线性表示y，即
[0040] y＝K*Q (4)
[0041] K是Q对应的系数，K＝[k1,k2,...,kG]；令Ki＝(QTQ+μz)-1QTy，μ是一个较小的常量，z是一个可识别的矩阵；令
[0042] yi＝Ki*Qi (5)
[0043] Qi表示Q中第i类训练样本，Ki为Qi对应的系数，用di1衡量y与y'之间的偏差程度，即[0044] di1＝||y-y'||2 (6)
[0045] di1越小，说明y'越能表示y；
[0046] 步骤五：对步骤一生成的第i类镜像图训练样本矩阵Mi，使用步骤四的方法，用di2来衡量第i类镜像图训练样本表示的y偏差程度；
[0047] 步骤六：对步骤二生成的第i类新的训练样本矩阵 使用步骤四的方法，用di3来衡量第i类新的训练样本表示y的偏差程度；
[0048] 步骤七：对步骤三生成的第i类新的镜像图训练样本矩阵 使用步骤四的方法，用di4来衡量第i类新的镜像图训练样本表示的y偏差程度；
[0049] 步骤八：融合步骤四、步骤五、步骤六和步骤七所生成的di1、di2、di3和di4来求得所有训练样本表示第i类测试样本的最终偏差程度di，di＝β1di1+β2di2+β3di3+β4di4，β1、β2、β3和β4分别为di1、di2、di3和di4对应的权重，β1+β2+β3+β4＝1，β1+β2≥β3+β4；若则测试样本y被分配到第i类。
[0050] 如图1所示，对于原始训练人脸图像，利用图像的镜面性，构造人脸镜像图，接着分别取同一类中任意两个不同的原始图像和镜像图像，取它们的平滑中值样本作为新的虚拟图像，这样能够构造出多个新的虚拟人脸样本图。传统的多样本扩充的人脸方法，是将新生成的虚拟训练样本与原始训练样本结合在一起，作为总的训练样本进行人脸识别；而本具体实施方式是将不同途径构成的训练样本分别进行参数加权融合，采用基于协同表示的分类方法进行人脸识别。因此，本具体实施方式提供的人脸识别方法不但构造多种虚拟训练样本，而且能够提高人脸识别的效果。同时，由于过多的人脸训练样本不一定都有利于测试样本的识别，因而通过欧式距离选择出接近测试样本的训练样本，避免运算量过大的问题。
[0051] 本具体实施方式提供的基于多样本扩充协同表示分类的人脸识别方法，针对复杂多变的外部环境，构造出多种虚拟人脸图像，利用改进的稀疏识别方法-协同表示方法进行人脸识别，以提高人脸识别率。由于传统方法构建的虚拟人脸样本是有限的，用来进行人脸分类的经典识别方法运算量大，本发明在构造镜像图的基础上，分别取同一类中任意两个不同的原始图像和镜像图像，取它们的平滑中值样本作为新的虚拟图像，利用欧式距离从这些训练样本中选择出接近测试样本的训练样本，将选择出来的训练样本利用参数加权融合，采用改进的稀疏识别方法-协同表示的分类方法进行人脸识别，很好的提高人脸识别的效果。
[0052] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
