072]r=ar卵inJ Iy-丫i (X)蝴I11，
[0073] 重建誤差resi化al表示為
[0074] residual= I |廠丫r(x)*Dj li，
[0075] 按照上面的處理方式，每個部件都可W得到一個分類結果r W及重建誤差 resi化al，部件過濾使用的便是每個部件得到的重建誤差值。令四個人臉部件得到的重建 誤差分另Ij為residual 1、residual2、residuals和residual4,令residualmini和residual min2 分別代表四個重建誤差中最小和第二小的值，令resi化all對代表resi化all、resi化al2、 residuals和residual4中的第i個結果，如果residuali<residualmiw+residualmin2,則判 定第i個部件是好的，否則則為不滿足要求的部件，在構建全局人臉的時候可w丟棄，記錄 該個子集中的合格部件個數(shù)為Ngwd。
[0076] 將不好的部件去除之后，便可W構造在該個子集中，子集的全局人臉字典W及測 試圖片的全局人臉。
[0077] 在此子集下全局人臉特征構造如下：
[007引令巧artl，巧art2，巧art3,巧art4分別代表從四個部件得到的局部特征，均為 行向量形式，f，hDW。。。代表全局特征，則從1到4遍歷i，如果第i個部件為合格部件，則將 巧arti加入到全局特征中，即f,h()lefaee= [f,tolehee巧arti]。遍歷完成之后即可得到全局人 臉特征。
[0079] 在此子集下全局字典構造如下：
[0080] 已知該子集的四個部件的字典分別為D1，D2，D3，D4,每個字典的構造都如下所 示：
[00川 D=的；f2 ;f3 ;…加，
[0082] fi為一個行向量，D中一共有n個該樣的行向量。
[008引令D,h0lef￡iee代表全局字典，則從1到4遍歷i，如果束i個部件為合格部件，則將Di加入到全局字典中。加入方式可W簡單地采用行連接的方式，設D中第k行 數(shù)據(jù)為fDwhole化C6k，Di中第k行數(shù)據(jù)為巧ik，則將Di加入全局字典之后，全局字典中第 k行數(shù)據(jù)變?yōu)閒wholefacek= [fDwholefacek巧ij。如此便可得到該個子集上的全局字典。
[0084] 步驟5包括在每個子集上，根據(jù)得到的合格部件結果，在四個部件字典的基礎上 得到全局人臉字典，之后得到在此子集上測試人臉全局特征如下：
[0085] 令ftestl,ftest2,ftest3,ftest4分別為測試人臉的四個局部部件特征， 巧63*，,。^。。。為測試人臉的全局特征，從1到4遍歷1，如果在該個子集中第1個部件為合格 部件，則
[0086] fteStwh〇leface=[ftest wholefacef testi]
[0087] 得到測試人臉全局特征之后便可W根據(jù)全局字典得到此子集的全局人臉分類結 果，判斷測試人臉屬于類別r，W及對應的重建誤差resi化al:
[0088]residual=I Iftestwhol址ace-丫r (X)蝴麵址aceI I1。
[0089] I I..I li為1范式符號，也就是求絕對值。丫t(x)代表稀疏系數(shù)中屬于類別r的部 分，代表全局字典，丫t(x)*D，hDW。。。代表將稀疏系數(shù)中屬于類別r的部分與全局字 典中對應的屬于類別r的項Df相乘得到的結果，如下所示
[0093] 如圖4所示，所有樣本一共可W分為3類，分別是初始訓練樣本，新加入訓練樣本 W及測試樣本。
[0094]對于初始訓練樣本，首先將它們按照類別進行分組。屬于同一人的圖片歸為同一 類別，在分組時會被劃到同一個子集。假定最終得到N個子集，N為大于1的自然數(shù)，則在 每個子集中的類別數(shù)應當大致相同?？蒞將類別進行數(shù)字編號，按照數(shù)字編號順序劃分子 集即可。
[0095] 劃分子集之后，為了進行稀疏表示分類，需要在每個子集中都得到稀疏表示用的 字典，所W在每個子集中都會進行如下操作：
[0096] 對子集中的所有圖片，首先進行如圖3所示的操作，提取出所有圖片的四個部件 特征。之后按照如圖4所示的操作可W得到四個局部部件字典。
[0097] 對初始訓練圖片的操作到此結束。
[009引當任一測試圖片加入時，首先對它進行如圖3所示的特征提取操作得到四個部件 特征，之后在每個子集都會如圖4所示操作首先得到四個部件結果，之后得到該個子集上 的全局人臉，構建該個子集上的全局字典W及測試圖片的全局人臉，之后便可得到該個子 集上的全局分類結果W及重建誤差。
[0099] 之后比較所有子集的結果，令r;為第i個子集的全局人臉分類結果，resi化ali為 第i個子集的全局重建誤差，則最終的分類結果rthai為具有最小全局重建誤差的子集結 果：
[0100] k二miniresiduali，
[0101] rfinai=rk，
[0102] 當一新訓練樣本加入時，首先根據(jù)圖3提取它的四個部件特征，之后為它選擇一 個子集加入。首先判斷它是否是已記錄的類別，如果是，則選擇包含該個類別的子集；否則 隨機選擇一個子集。選擇好子集之后，更新該一子集的四個部件字典。假定所選擇的子集 其中一個部件字典為D，新樣本對應的部件特征為f，f為一行向量，則更新之后D滿足：
[0103] 0=巧亂
[0104] 按照該種方式更新該個子集的四個部件字典即可。至于其它子集，則可W不做任 何更新處理。
[0105] 本發(fā)明提供了一種基于稀疏表示的增量人臉識別方法，具體實現(xiàn)該技術方案的方 法和途徑很多，W上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技 術人員來說，在不脫離本發(fā)明原理的前提下，還可W做出若干改進和潤飾，該些改進和潤飾 也應視為本發(fā)明的保護范圍。本實施例中未明確的各組成部分均可用現(xiàn)有技術加W實現(xiàn)。
【主權項】
1. 一種基于稀疏表示的增量人臉識別方法，包括以下步驟： 步驟1，輸入訓練人臉圖片集，將同一個人的訓練圖片劃分為同一個類別，并用數(shù)字標 注類別信息，之后將包含類別信息的訓練集平均分成N個子集，同一個人的訓練圖片屬于 同一類別，N為大于1的自然數(shù)； 步驟2,對每個子集中的每張人臉圖片，根據(jù)人臉檢測方法定位人臉關鍵點，根據(jù)人臉 關鍵點確定人臉部件位置，之后提取每個人臉部件的特征構造人臉部件字典； 步驟3,輸入測試圖片，根據(jù)人臉檢測方法得到測試圖片的人臉關鍵點信息，提取人臉 部件特征，在每個子集上都進行步驟4~5操作； 步驟4,對測試圖片中每一個人臉部件特征，在對應的人臉部件字典上得到分類結果， 根據(jù)得到的分類結果，通過計算每個人臉部件的重建誤差判斷測試圖片中的各個人臉部件 受人臉變化影響程度，選擇最小的兩個重建誤差為標準判斷剩下的部件是否為合格部件； 步驟5,根據(jù)剩余的合格，連接訓練人臉圖片集中對應的人臉部件特征，組成全局人臉 字典，從而得到測試圖片在這一子集上的最終結果； 步驟6,根據(jù)每個子集的結果，進行一次競爭，從中得到具有最小重建誤差的分類結果 作為最后的分類判別結果從而完成人臉識別； 步驟7,對于新加入的樣本，選擇一個子集，之后按照步驟2所述提取新樣本的四個部 件特征，加入所選擇的子集中的人臉部件字典中。2. 如權利要求1所述的一種基于稀疏表示的增量人臉識別方法，其特征在于，步驟1 中，將訓練人臉圖片根據(jù)類別劃分成N個子集，同一個人的訓練圖片屬于同一個類別，不同 人的訓練圖片屬于不同類別，每個子集擁有的類別數(shù)量相同，并且同一人的人臉圖片只出 現(xiàn)在一個子集中。3. 如權利要求2所述的一種基于稀疏表示的增量人臉識