一种基于网格纵横局部二值模式的三维人脸识别方法
【专利摘要】本发明公开了一种基于网格纵横局部二值模式的三维人脸识别方法，步骤为：对三维人脸模型进行预处理，包括人脸区域切割、平滑处理和姿态归一化，将所有的人脸置于姿态坐标系下；从三维人脸模型的半刚性区域提取人脸7条侧面轮廓线，并对其中每条轮廓线进行均匀重采样以获得28个关键点来表征人脸面部曲面；提取关键点周围邻域，先分别用网格纵向局部二值模式描述符和网格横向局部二值模式描述符对关键点邻域进行表征，然后对两者进行特征融合获得网格纵横局部二值模式描述符，最后用LC?KSVD2字典学习分类算法对3D人脸进行识别。本发明能够更加全面地描述均匀人脸网格表面由表情等原因引起的局部形状变化，具有较强的识别性能。
【专利说明】
-种基于网格纵横局部二值模式的H维人脸识别方法
技术领域
[0001] 本发明设及一种基于网格纵横局部二值模式的=维人脸识别方法，尤其设及一种 利用人脸网格在3D领域内对人脸直接进行识别的人脸识别方法，适用于有较大变化的场 厶 1=1 O
【背景技术】
[0002] 近二十年来，因为二维人脸识别方法在面临姿态、光照条件不同、表情变化W及脸 部化妆等方面表现出来的脆弱性使得人脸识别的准确度和适用场合受到很大限制，越来越 多的学者开始致力于=维人脸识别技术的研究。=维人脸识别技术是指利用人脸在=维空 间中的几何信息进行身份辨识的技术。目前，诸多学者提出了很多有效的3D人脸识别方法。 [000引目前，许多3D人脸识别算法都是基于局部二值模式化BP，Local Binary Pattern),但是运些算法大多会将人脸的3D点云先转化为深度图然后再进行对LBP的改进 和扩展，运就将3D数据转到了2.加，丢失了人脸部分信息。针对运一问题，Wer曲i等提出了 网格局部二值模式（local binary pattern on the mesh,mesh-LBP)描述符，该描述符直 接在网格表面计算LBP值，避免了将3D人脸点云转化成深度图，保留了 3D人脸的完整信息。 该描述符将中屯、面片与其周围有序环上的面片进行比较，忽略了相邻环上面片之间和同一 环上相邻面片之间的关系，割裂了局部区域的整体性。因此如何在人脸网格上提取一种更 全面的特征是非常有意义的。
【发明内容】
[0004] 本发明的目的是提供一种基于网格纵横局部二值模式的=维人脸识别方法，具有 较强的识别性能，并且对表情变化具有较好的鲁棒性，同时还提高了人脸匹配速度。
[0005] 为实现上述目的，本发明采用的技术方案为：
[0006] -种基于网格纵横局部二值模式的=维人脸识别方法，包括W下步骤：
[0007] 步骤1:从输入的=维人脸点云中提取出感兴趣的人脸区域，该区域为W鼻尖为球 屯、，90mm为半径的球所包含的人脸区域；
[0008] 步骤2:对由步骤1所提取的=维人脸点云进行平滑去噪处理后，W鼻尖点为姿态 坐标系(PCS)的坐标原点，将其置于姿态坐标系(PCS)中；所述姿态坐标系(PCS)的获得方法 为:对S维人脸点云采用主成分分析法(PCA)，将最大特征值对应的特征向量作为Y轴，将最 小特征值对应的特征向量作为Z轴，建立右手坐标系，即为姿态坐标系；
[0009] 步骤3:对由步骤2得到的=维人脸点云，根据坐标信息，在人脸的半刚性区域提取 垂直方向的7条面部轮廓线并对面部轮廓线进行重采样，得到测试人脸的28个关键点；
[0010] 步骤4:对=维人脸点云进行均匀网格化，由步骤3获得的28个关键点也对应到网 格上，提取W关键点所在面片为中屯、面片的有序面片环，并且确定关键点周围邻域；
[0011] 步骤5:计算由步骤4获得的关键点邻域的网格纵向局部二值模式(mesh-化BP)描 述符和网格横向局部二值模式(mesh-化BP)描述符;并对运两者进行特征融合获得网格纵 横局部二值模式(mesh-VHLBP)描述符；
[0012] 步骤6:最后结合LC-KSVD2字典学习分类算法对人脸进行分类实验，得出识别结 果。
[0013] 所述步骤2的具体步骤为：
[0014] 步骤2.1:计算测试人脸点云质.
，其中P'i表示点云中点的坐标，n表 示点云中点的个数；
[0015] 步骤2.2:构建协方差矩P
其中T表示的是矩阵的转 置；
[0016] 步骤2.3:将协方差矩阵C正交对角化，得到S个特征值、及对应的S个相 互正交的单位特征向量Vl, V2，V3 ;
[0017] 步骤2.4: WO为原点，WVi为巧由，V3为巧由，建立右手坐标系，在该坐标系下人脸具 有相同的正面姿态，该坐标系为姿态坐标系PCS,并将平滑去噪处理后的S维人脸点云数据 都转换到姿态坐标系中，即口'1=(>2，￥1，￥3)(口':1-〇);
[001引步骤2 . 5 :将坐标系平移，使得鼻尖点位于原点，点P" 1平移后记为
其中，瓷j，客,2為3分别表示点gl坐标的^个分量。
[0019] 所述步骤3的具体步骤为：
[0020] 步骤3.1:半刚性区域侧面轮廓线提取:在姿态坐标系中，记位于XOZ平面上方的S 维人脸曲面为S，用镜像匹配算法确定人脸的对称面S，化3切割人脸曲面S，获得半刚性区 域的中屯、侧面轮廓线;然后，将平面a分别沿着X轴正、负方向Wl3mm的间隔平移，与人脸曲 面S相交就能够得到另外6条侧面轮廓线，从而获得人脸半刚性区域的7条侧面轮廓线；
[0021] 步骤3.2:面部轮廓线重采样获得关键点：W平面a与XOY平面相交的直线作为参 考曲线，保留从眉屯、点到鼻尖点那一段，并在运一段上在每隔20mm采样一个点，如此获得4 个关键点；在其余的6条侧面轮廓线上按与中屯、侧面轮廓线上的点相同的水平坐标进行采 样，最终获得28个关键点。
[0022] 所述步骤4的具体步骤为：
[0023] 步骤4.1:对人脸点云进行均匀网格化，并且围绕中屯、面片提取有序环:给定一个 中屯、面片fc，其邻接的S个面片按逆时针方向分别标记为f〇Utl,f〇Ut2和f〇Ut3,记为化Ut面 片集;在两两foutia = 1，2，3)面片之间用fgap面片，记为Fgap面片集，按相同的方向进行 连接，要求fgap面片是前一个面片的邻接面片且与中屯、面片f C只共享一个顶点；当在 (fout3，f OUti)之间完成用Fgap面片集进行连接后，就获得第一个有序环;再获取运个有序 环中每个面片的邻接面片，要求该面片与环中其他面片不重合，指向朝外，构成新的化Ut面 片集，W上述相同的方式获取第二个有序环;如此迭代下去，即能够在中屯、面片周围获得r 个同屯、有序环；
[0024] 步骤4.2:在关键点检测完成后，其周围邻域取为该点所在中屯、面片周围的r个环 构成的区域。
[0025] 所述步骤5的具体步骤为：
[0026] 步骤5.1:准备工作：依据有序环第一个面片位置的相对不变性的原则，按逆时针 方向将每环上用于计算的面片标号为
，其不同环上的相同位置编号 的面片相互对应；
[0027] 步骤5.2:计算关键点邻域的mesh-VLBP描述符，其计算过程为:第1环:将第一环上 的面片与中屯、面片比较;从第二环开始，分别将该环上与前一环上标号对应的面片进行比 较。用公式描述为：
[00 巧] (D
[0029]
[0030] 其中标量函数Mf)取为平均曲率H;该描述符计算结果记为Yi;
[0031] 步骤5.3:计算关键点邻域的mesh-HLBP描述符，其计算基于同一个环上相邻面片 之间的平均曲率值的大小关系，则将其计算式定义为：
[0032]
(2)
[0033] 其中化+1)\12表示对12取余，就表示当k=ll时，面片取为起始面片;该 描述符计算结果记为Y2;
[0034] 步骤5.4:对mesh-化BP描述符和mesh-HLBP描述符进行特征融合，从而得到更加全 面的描述符一一mesh-VHLBP描述符，其融合结果记为Y3。
[0035] 所述步骤6的具体步骤为：
[0036] 步骤6.1:采用"等价模式"对由步骤5计算而得的数据降维；
[0037] 步骤6.2:对步骤5计算而来的￥1，￥2和￥3采用使字典具有判别力的1(：-1(5￥02的字典 学习算法进行分类，其中LC-KSVD2算法的目标函数表示为：
[0038]
(3)
[0039] 其中，Y= [yi... yN] G RDXW为输入样本，Y分别取为Yi，&和￥3;输入样本在冗余字典 D=[山...dK] G Rnx吓的稀疏表示集记为X= [XI. . .XN]
为重构误差;Q = Ui... QN] G RKXW是输入信号Y的判别稀疏编码，用来提供分类信息，qi中的非零值出现在输 入信号yi和字典原子dk标签相同的位置;W表示分类器参数，H=比1...hN] G Rmxw是输入信号 Y的类标签矩阵，由hi中的非零值就表示了 yi所属的类。
[0040] 有益效果:本发明提供的基于网格纵横局部二值模式的=维人脸识别方法通过在 人脸表面的半刚性区域检测关键点集并且提取周围邻域，分别计算邻域的mesh-VLBP描述 符和mesh-HLBP描述符，并且对两者进行特征融合得到mesh-VHLBP描述符，利用LC-KSVD2字 典学习算法完成3D人脸识别实验。该方法有W下优点：
[0041 ] 1.该算法不仅从网格纵向提取mesh-VLBP描述符，还从横向提取mesh-HLBP描述 符，更加全面地描述了关键点邻域的因为表情变化等引起的纵向和横向差异，对于两者的 特征融合更是有效而且准确地表示出局部形状的整体变化，很大程度上改善了识别性能。
[0042] 2.本文所提出的关键点检测方法基于半刚性区域，避开了受表情变化影响很大的 嘴部区域，因此本文所提方法对于表情变化也具有一定的鲁棒性。
[0043] 3丄C-KSVD2字典学习分类算法可W忽略字典的大小而产生判别稀疏编码系数X， 使字典对于数据不仅具有表示能力，也具有了判别分类的能力，有效地提高了实验的识别 率。
【附图说明】
[0044] 图1是本发明提供的基于网格纵横局部二值模式的=维人脸识别方法的整体流程 图；
[0045] 图2是人脸均匀网格化后的图；
[0046] 图3是7条侧面轮廓线图；
[0047] 图4是28个关键点；
[004引图5是有序环提取过程图；
[0049] 图6是中屯、面片周围纵向和横向示意图；
[0050] 图7是有序环标号示意图。
【具体实施方式】
[0051 ]参考说明书附图，下面对本发明的【具体实施方式】进一步描述。
[0052] 本发明的基于网格纵横局部二值模式的S维人脸识别方法，在Windows操作系统 中通过Matlab R2013a编程工具实现S维人脸识别流程。实验数据来自FRGC v2.OS维人脸 数据库，该数据库中包含用于测试的466个人的4007张人脸模型。图1是本发明方法整体流 程图，具体步骤如下：
[0053] 步骤1:从输入的=维人脸点云中提取出感兴趣的人脸区域，该区域为W鼻尖为球 屯、，90mm为半径的球所包含的人脸区域；
[0054] 步骤2:对由步骤1所提取的S维人脸点云进行平滑去噪处理后，W鼻尖点为PCS的 坐标原点，将其置于为姿态坐标系(PCS)中。姿态坐标系(PCS)的获得方法:对S维人脸点云 采用主成分分析法(PCA)，将最大特征值对应的特征向量作为Y轴，将最小特征值对应的特 征向量作为Z轴，建立右手坐标系，即为姿态坐标系；
[0化5]步骤2.1:计算测试人脸点云质
其中p'i表示点云中点的坐标，n表 示点云中点的个数；
[0化6]步骤2.2:构建协方差矩阵
；其中T表示的是矩阵的转 置；
[0化7]步骤2.3:将协方差矩阵C正交对角化，得到=个特征值、及对应的=个相 互正交的单位特征向量Vl, V2，V3 ;
[0化引步骤2.4: WO为原点，WVi为巧由，V3为巧由，建立右手坐标系，在该坐标系下人脸具 有相同的正面姿态，该坐标系为姿态坐标系PCS,并将平滑去噪处理后的S维人脸点云数据 都转换到姿态坐标系中，即口'1=(>2，￥1，￥3)(口':1-0);
[0化9]步骤2.5:将坐标系平移，使得鼻尖点位于原点，点P" 1平移后记为
其中，g,i，gf，复,3分别表示点gi坐标的S个分量。
[0060] 步骤3:对由步骤2得到的=维人脸点云，根据坐标信息，在人脸的半刚性区域提取 垂直方向的7条面部轮廓线并对面部轮廓线进行重采样，得到测试人脸的28个关键点；
[0061] 步骤3.1:半刚性区域侧面轮廓线提取:在姿态坐标系中，记位于XOZ平面上方的S 维人脸曲面为S，用镜像匹配算法确定人脸的对称面a,化0切割人脸曲面S，获得半刚性区 域的中屯、侧面轮廓线;然后，将平面a分别沿着X轴正、负方向Wl3mm的间隔平移，与人脸曲 面S相交就能够得到另外6条侧面轮廓线，从而获得人脸半刚性区域的7条侧面轮廓线；
[0062] 步骤3.2:面部轮廓线重采样获得关键点：W平面S与XOY平面相交的直线作为参考 曲线，保留从眉屯、点到鼻尖点那一段，并在运一段上在每隔20mm采样一个点，如此获得4个 关键点;在其余的6条侧面轮廓线上按与中屯、侧面轮廓线上的点相同的水平坐标进行采样， 最终获得28个关键点。
[0063] 步骤4:对人脸点云进行均匀网格化，由步骤3获得的28个关键点也对应到网格上， 提取W关键点所在面片为中屯、面片的有序面片环，并且确定关键点周围邻域；
[0064] 步骤4.1:对人脸点云进行均匀网格化，并且围绕中屯、面片提取有序环:给定一个 中屯、面片fc，其邻接的S个面片按逆时针方向分别标记为f〇Utl,f〇Ut2和f〇Ut3(记为化Ut面 片集）；在两两f OUti a = 1，2，3)面片之间用f gap面片(记为Fgap面片集)按相同的方向进行 连接，要求fgap面片是前一个面片的邻接面片且与中屯、面片f C只共享一个顶点；当在 (fout3，f OUti)之间完成用Fgap面片集进行连接后，就获得第一个有序环。再获取运个有序 环中每个面片的邻接面片，要求该面片与环中其他面片不重合，指向朝外，构成新的化Ut面 片集，W上述相同的方式获取第二个有序环。如此迭代下去，即可在中屯、面片周围获得r个 同屯、有序环。
[0065] 步骤4.2:实验中，r取为7,因此在关键点检测完成后，其周围邻域取为该点所在中 屯、面片周围的r个环构成的区域。
[0066] 步骤5:计算由步骤4获得的关键点邻域的网格纵向局部二值模式（local binary pattern from ve;rtical on the mesh,mesh-VLBP)描述符和网格横向局部二值模式 (local binary pattern from horizontal on the mesh,mesh-HLBP)描述符；并对运两者 进行特征园虫合获得（Ioc曰I binary pattern from vertical and horizontal on the mesh ,mesh-VHLBP)描述符；
[0067] 步骤5. I:准备工作:对于由中屯、面片和其周围的有序环构成的运一整体来说，所 谓纵向（Vertical)比较指的是在相邻环上对应面片之间进行比较，而横向化orizontal)比 较则是指在同一环上的相邻面片之间进行比较。依据有序环第一个面片位置的相对不变性 的原则，按逆时针方向将每环上用于计算的面片标号关
，其不同环 上的相同位置编号的面片相互对应。
[0068] 步骤5.2:计算关键点邻域的mesh-VLBP描述符，其计算过程为:第1环:将第一环上 的面片与中屯、面片比较;第2-7环:从第二环开始，分别将该环上与前一环上标号对应的面 片进行比较。用公式描述为：
[0069] (1)
[0070]
[0071] 其中标量函数Mf)取为平均曲率H。该描述符计算结果记为Yi。
[0072] 步骤5.3:计算关键点邻域的mesh-化BP描述符，其计算基于同一个环上相邻面片 之间的平均曲率值的大小关系，则将其计算式定义为：
[007；3]
U)
[0074] 其中化+1) \ 12表示对12取余，乂;;.+W2就表示当k = 11时，面片取为起始面片; 该描述符计算结果记为Y2;
[0075] 步骤5.4:上述两种描述符分别从纵向和横向描述人脸网格表面因表情变化等原 因造成的纵向和横向差异，但一些大表情如惊讶、生气等会使得人脸表面的肌肉同时发生 纵向和横向变化，所W本文进一步对mesh-VLBP描述符和mesh-化BP描述符进行特征融合， 从而得到更加全面的描述符一一mesh-VHLBP描述符，其融合结果记为Y3。
[0076] 步骤6 :最后结合LC-KSVD2字典学习分类算法对人脸进行分类实验，得出识别结 果；
[0077] 步骤6.1:采用"等价模式"对由步骤5计算而得的数据降维:本文，m=12，a化）= 2k 时，两种描述符的值有4096种取值可能，造成二进制模式过多。二维中，Ojala提出了 "等价 模式"化niform化ttern)用来对LBP算子的模式种类进行降维。类似地，在S维中也存在 "等价模式"，是指那些〇、1之间跳变次数至多等于4的二进制模式。据此将本文中的二进制 模式由4096种降为1234种；
[007引步骤6.2:对步骤5计算而来的￥1，&和￥3采用使字典具有判别力的1(：-防￥02的字典 学习算法进行分类，其中LC-KSVD2算法的目标函数可表示为：
[0079]
(3)
[0080] 其中，Y= [yi... yN] G RDXW为输入样本，Y分别取为Yi，&和￥3;输入样本在冗余字典 D=[dl...dK]GRnX吓的稀疏表示集记为X=[Xl...XN]GRKXN
与重构误差;Q = Ui... QN] G RKXW是输入信号Y的判别稀疏编码，用来提供分类信息，qi中的非零值出现在输 入信号yi和字典原子dk标签相同的位置;W表示分类器参数，H=比1...hN] G Rmxw是输入信号 Y的类标签矩阵，由hi中的非零值就表示了 yi所属的类。
[0081] W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 员来说，在不脱离本发明原理的前提下，还可W做出若干改进和润饰，运些改进和润饰也应 视为本发明的保护范围。
【主权项】
1. 一种基于网格纵横局部二值模式的三维人脸识别方法，其特征在于:包括以下步骤： 步骤1:从输入的三维人脸点云中提取出感兴趣的人脸区域，该区域为以鼻尖为球心， 90_为半径的球所包含的人脸区域； 步骤2:对由步骤1所提取的三维人脸点云进行平滑去噪处理后，以鼻尖点为姿态坐标 系的坐标原点，将其置于姿态坐标系中；所述姿态坐标系的获得方法为:对三维人脸点云采 用主成分分析法，将最大特征值对应的特征向量作为Y轴，将最小特征值对应的特征向量作 为Z轴，建立右手坐标系，即为姿态坐标系； 步骤3:对由步骤2得到的三维人脸点云，根据坐标信息，在人脸的半刚性区域提取垂直 方向的7条面部轮廓线并对面部轮廓线进行重采样，得到测试人脸的28个关键点； 步骤4:对三维人脸点云进行均匀网格化，由步骤3获得的28个关键点也对应到网格上， 提取以关键点所在面片为中心面片的有序面片环，并且确定关键点周围邻域； 步骤5:计算由步骤4获得的关键点邻域的网格纵向局部二值模式描述符和网格横向局 部二值模式描述符;并对这两者进行特征融合获得网格纵横局部二值模式描述符； 步骤6:最后结合LC-KSVD2字典学习分类算法对人脸进行分类实验，得出识别结果。2. 如权利要求1所述的基于网格纵横局部二值模式的三维人脸识别方法，其特征在于： 所述步骤2的具体步骤为： 步骤2.1:计算测试人脸点云质；，'其中P7 i表示点云中点的坐标，η表示点 云中点的个数； 步骤2.2:构建协方差矩￥其中T表示的是矩阵的转置； 步骤2.3:将协方差矩阵C正交对角化，得到三个特征值及对应的三个相互正 交的单位特征向量Vl，V2，V3 ;步骤2.4:以O为原点，以Vi为Y轴，V3为Z轴，建立右手坐标系，在该坐标系下人脸具有相 同的正面姿态，该坐标系为姿态坐标系PCS，并将平滑去噪处理后的三维人脸点云数据都转 换到姿态坐标系中，即P7 i= i-Ο); 步骤2.5:将坐标系平移，使得鼻尖点位于原点，点p〃 i平移后记为 ，其 中，&1，，忌,3分别表不点取坐标的三个分量。3. 如权利要求1所述的基于网格纵横局部二值模式的三维人脸识别方法，其特征在于： 所述步骤3的具体步骤为： 步骤3.1:半刚性区域侧面轮廓线提取:在姿态坐标系中，记位于XOZ平面上方的三维人 脸曲面为S，用镜像匹配算法确定人脸的对称面為，以3切割人脸曲面S，获得半刚性区域的 中心侧面轮廓线;然后，将平面d分别沿着X轴正、负方向以13mm的间隔平移，与人脸曲面S 相交就能够得到另外6条侧面轮廓线，从而获得人脸半刚性区域的7条侧面轮廓线； 步骤3.2:面部轮廓线重采样获得关键点：以平面乃与XOY平面相交的直线作为参考曲 线，保留从眉心点到鼻尖点那一段，并在这一段上在每隔20mm采样一个点，如此获得4个关 键点;在其余的6条侧面轮廓线上按与中心侧面轮廓线上的点相同的水平坐标进行采样，最 终获得28个关键点。4. 如权利要求1所述的基于网格纵横局部二值模式的三维人脸识别方法，其特征在于： 所述步骤4的具体步骤为： 步骤4.1:对人脸点云进行均匀网格化，并且围绕中心面片提取有序环:给定一个中心 面片fc，其邻接的三个面片按逆时针方向分别标记为f〇Utl，f〇Ut2和fout3,记为Fout面片 集;在两两Rut 1U = I，2,3)面片之间用fgap面片，记为Fgap面片集，按相同的方向进行连 接，要求fgap面片是前一个面片的邻接面片且与中心面片f c只共享一个顶点；当在(fout3， font)之间完成用Fgap面片集进行连接后，就获得第一个有序环;再获取这个有序环中每 个面片的邻接面片，要求该面片与环中其他面片不重合，指向朝外，构成新的Fout面片集， 以上述相同的方式获取第二个有序环;如此迭代下去，即能够在中心面片周围获得r个同心 有序环； 步骤4.2:在关键点检测完成后，其周围邻域取为该点所在中心面片周围的r个环构成 的区域。5. 如权利要求1所述的基于网格纵横局部二值模式的三维人脸识别方法，其特征在于： 所述步骤5的具体步骤为： 步骤5.1:准备工作：依据有序K笛一个而片彳fr W的相对不变性的原则，按逆时针方向 将每环上用于计算的面片标号，，其不同环上的相同位置编号的面 片相互对应； 步骤5.2:计算关键点邻域的网格纵向局部二值模式描述符，其计算过程为:第1环:将 第一环上的面片与中心面片比较;从第二环开始，分别将该环上与前一环上标号对应的面 片进行比较;用公式描述为：其中标量函数h(f)取为平均曲率H;该描述符计算结果记为Y1; 步骤5.3:计算关键点邻域的网格横向局部二值模式描述符，其计算基于同一个环上相 邻面片之间的平均曲率值的大小关系，则将其计算式定义为：其中（k+l)\12表示对12取余，/(^1)U2就表示当k=ll时，面片取为起始面片该描述 符计算结果记为Y2 ; 步骤5.4:对网格纵向局部二值模式描述符和网格横向局部二值模式描述符进行特征 融合，从而得到更加全面的描述符一一网格纵横局部二值模式描述符，其融合结果记为γ3。6.如权利要求1所述的基于网格纵横局部二值模式的三维人脸识别方法，其特征在于： 所述步骤6的具体步骤为： 步骤6.1:采用"等价模式"对由步骤5计算而得的数据降维； 步骤6.2:对步骤5计算而来的Y1,Y2和Y3采用使字典具有判别力的LC-KSVD2的字典学习 算法进行分类，其中LC-KSVD2算法的目标函数表示为：其中，Y= [yi... yN] e RnXN为输入样本，Y分别取为Yi，Y2和Y3;输入样本在冗余字典D = [cU.. .dK]eRnXK下的稀疏表示集记为％重构误差；Q =[qi... qN] e Rkxn是输入信号Y的判别稀疏编码，用来提供分类信息，qi中的非零值出现在 输入信号7:和字典原子dk标签相同的位置;W表示分类器参数，H=Lh1..输入信 号Y的类标签矩阵，由Iu中的非零值就表示了 yi所属的类。
【文档编号】G06K9/00GK106022228SQ201610309718
【公开日】2016年10月12日
【申请日】2016年5月11日
【发明人】达飞鹏, 汤兰兰, 郭梦丽, 邓星, 刘俊权, 吕士文
【申请人】东南大学