(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210338391.2 (22)申请日 2022.04.01 (71)申请人 东南大学 地址 211189 江苏省南京市江宁区东 南大 学路2号 (72)发明人 刘权　西蒙尼巴尔迪 　刘娣　 虞文武　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01)G06V 10/46(2022.01) G06V 10/44(2022.01) G06V 10/40(2022.01) G06V 10/34(2022.01) G06V 10/32(2022.01) G06V 10/30(2022.01) G06V 10/28(2022.01) (54)发明名称 一种基于改进的递归最小二乘法的人脸识 别方法 (57)摘要 本发明公开了一种基于改进的递归最小二 乘法的人脸识别方法， 首先， 将预先获取的人脸 图像进行图像预处理， 并划分为训练样本与测试 样本； 其次， 基于尺度不变特征变换和局部二值 模式对预处理后的图像进行特征提取； 然后， 采 用改进的基于递归最小二乘法的稀疏表示方法 得到稀疏向量， 进行图像稀 疏重构； 最后， 在稀 疏 重构后的特征与数据库人脸图像的特征匹配得 出分类识别的结果。 本发明在人脸识别方面具有 优秀且鲁棒的识别效果， 提高人脸识别的准确 率， 通过稀疏表示还可以弥补样本不足的问题。 权利要求书3页 说明书10页 附图2页 CN 114898423 A 2022.08.12 CN 114898423 A 1.一种基于改进的递归最小二乘法的人脸识别方法， 其特 征在于， 包括以下步骤： (1)将预先获取的人脸图像进行图像预处 理， 并划分为训练样本与测试样本； (2)基于尺度不变特 征变换和 局部二值模式对预处 理后的图像进行 特征提取； (3)采用改进的递归最小二乘法的稀疏表示方法得到稀疏向量， 进行图像稀疏重构； (4)在稀疏重构后的特 征与数据库人脸图像的特 征匹配得 出分类识别的结果。 2.根据权利要求1所述的一种基于改进的递归最小二乘法的人脸识别方法， 其特征在 于， 步骤(1)所述图像预处理是对人脸图片进行去噪声、 灰度校正、 直方图均衡、 归一化处 理； 将图像频谱分为高频和低频后， 对于低频部分直方图均衡化， 再对高频部分进 行降噪处 理， 之后对图像边缘进行锐化处理， 突出图片细节， 最后对修改后的低频、 高频部分进行逆 处理得到归一 化后的图像。 3.根据权利要求1所述的一种基于改进的递归最小二乘法的人脸识别方法， 其特征在 于， 所述步骤(2)实现过程如下： 利用SIFT搜索所有尺度空间上的图像， 通过高斯微分函数 来识别潜在的对尺度和旋转鲁棒性较强的点； 在每个候选的位置上， 通过一三维二次函数 来确定位置和尺度； 在每个关键点周围的邻域内， 在选定的尺度上测量图像局部的梯度； 采 用LBP对灰度图像进行二值化， 设置3*3的正方形窗口， 以窗口中心像素为阈值， 相邻8领域 像素灰度和中心像素值比较， 若 大于中心像素值则记录为 1， 若小于中心像素值则记录为0； 中心点由8位 二进制来表示， 计算25 6种LBP， 统计直方图。 4.根据权利要求1所述的一种基于改进的递归最小二乘法的人脸识别方法， 其特征在 于， 所述步骤(3)实现过程如下： 改进的递归最小二乘法为基于elastic  net混合正则化的递归最小二乘法； 该算法分 为设计代价函数和求取递归； 所述求取递归包括求取最优估计关系、 推导迭代关系、 更新迭 代关系和近似估计； 其中设计代价函数是在基础代价函数部分加入正则化， 以达到稀疏或 泛化的目的， 在算法中加入L1、 L2混合正则化弹性结合， 构造新的代价函数； 求取最优估计 关系通过对代价函数求偏导， 求解出权重估计向量的函数表达式； 推导迭代关系在于对权 重估计向量表达式推导出子表达式的迭代关系， 进而得到权重估计向量的迭代关系； 更新 迭代关系指利用求逆引理避免子表达式大规模求逆过程， 得到更易求解的迭代关系； 近似 估计是假设系数向量估计的值没有改变的迹象明显在一个迭代中， 利用近似估计来求取迭 代中的向量估计值。 5.根据权利要求1所述的一种基于改进的递归最小二乘法的人脸识别方法， 其特征在 于， 所述步骤(4)实现过程如下： 分类识别包括类 内识别和类间识别， 类内识别为寻找样本库中与待识别的人脸最匹配 的一类； 类间识别是待识别的人脸属不属于样 本库中已经存在的某 一类的人脸； 类内识别， 需要判断待识别人脸与已知人脸的距离测度是否小于某个限定值； 类间识别， 需要求出待 识别人脸与样本库中所有人脸之间的计算距离， 最后结果由最小值决定； 得每一个测试样 本与训练样本集中每一类样本的表示 误差为： rk， i(y)＝||yk‑xihk， i||2 其中， rk， i(y)表示第k个测试样本与训练样本集中每一类样本的表示误差， yk表示第k个 测试样本， xi表示训练样本集中第i类训练样本， hk， i表示每一个测 试样本用训练样本集线 性稀疏表示时第i类训练样本对应的稀疏系 数向量， 误差越小表示输入的测试样本与该类权　利　要　求　书 1/3 页 2 CN 114898423 A 2训练样本越相似。 6.根据权利要求4所述的一种基于改进的递归最小二乘法的人脸识别方法， 其特征在 于， 所述代价 函数为： 其中， (·)T表示矩阵的倒置矩阵， ( ·)‑1表示矩阵得逆矩阵， 表示L1范数的平方， 表示L2范数的平方； λ1+λ2＝1， λ1， λ2＞0， λ1， λ2两个参数用来调节L1正则化和L2正则化在代价 函数中的比例； P(0)是用于初始化的协方差矩阵， 并且设置P‑1(0)＝q0； 输入输出参数估计 设由以下标准关系给出： 其中， h＝[h0h1… hN‑1]T表示系统权值向量， x(k)＝[x0x1…xN‑1]T为输入向量信号， y(k)为输出信号， n(k)为测 量噪声， k为时间指标； h为权值向量， 为在时间k处h的估计目标； h(0)是h用于初始化的 某个初始估计值； 参数ρ 是正则化参数， 且ρ ＞0； 当权值 向量h只有少数非零元素时， 表示得 到的解是稀疏的。 7.根据权利要求4所述的一种基于改进的递归最小二乘法的人脸识别方法， 其特征在 于， 所述求取递归具体实现过程如下： 使代价函数最小化的最优 估计向量表达式为： 其中， I为单位矩阵， sgn是应用于向量的每个分量的符号函数， 用X(k)＝[x(k)x(k ‑ 1)…x(k‑N+1)]表示输入的集合， 用Y(k)＝[y(k)y(k ‑1)…y(k‑N+1)]表示输 出的集合； 为了 提高紧凑性， 用 来更新表示； 定义为新型协方差矩阵： 通过协方差矩阵之间的关系， 迭代关系在于输入矩阵和权值向量的符号函数矩阵， 得 到P‑1(k)与P‑1(k‑1)之间的递归关系如下： 将矩阵逆引理应用于逆矩阵之间的迭代关系时， 得到P(k)的递推形式如下： P(k)＝P(k ‑1)‑P(k‑1)q(k)(I+s(k)P(k ‑1)q(k))‑1s(k)P(k‑1) 其中相关矩阵定义 为： 根据协方差矩阵的迭代关系， 得到权值估计 向量 与 的递归关系：权　利　要　求　书 2/3 页 3 CN 114898423 A 3