本發(fā)明模式識(shí)別技術(shù)領(lǐng)域，具體地說，涉及一種基于核空間的分類聚集稀疏表示的人臉識(shí)別方法。

背景技術(shù)：
隨著科技的發(fā)展，諸多領(lǐng)域均面臨著日益膨脹的大量數(shù)據(jù)，例如地震數(shù)據(jù)、地球物理數(shù)據(jù)、音頻數(shù)據(jù)、天文數(shù)據(jù)、工業(yè)控制數(shù)據(jù)、基因數(shù)據(jù)等等，如何對這些龐大的數(shù)據(jù)實(shí)現(xiàn)靈活、有效和自適應(yīng)的表達(dá)逐漸成為人們關(guān)注的問題之一。圖像處理、信息傳輸、計(jì)算機(jī)視覺等諸多領(lǐng)域一直在尋求信號(hào)與圖像的稀疏而簡潔地表示方式，這種稀疏表示的好處就在于，非零系數(shù)揭示了信號(hào)與圖像的內(nèi)在結(jié)構(gòu)與本質(zhì)屬性，同時(shí)非零系數(shù)具有顯式的物理意義。人臉識(shí)別作為計(jì)算機(jī)視覺和模式分類領(lǐng)域的重要技術(shù)，越來越受到人們的關(guān)注與重視。人臉識(shí)別是利用計(jì)算機(jī)對人臉信息進(jìn)行特征的提取并進(jìn)行分類識(shí)別的過程，通常包含兩個(gè)階段：一是特征提取，二是構(gòu)造分類器和標(biāo)簽預(yù)測。不同于指紋識(shí)別、步態(tài)識(shí)別、虹膜識(shí)別等一般的生物特征識(shí)別技術(shù)，人臉識(shí)別因其便捷性、友好性、高效性，已成為圖像處理、模式識(shí)別、機(jī)器視覺和心理人臉識(shí)別具有廣泛的應(yīng)用意義和巨大的應(yīng)用前景。目前，人臉識(shí)別技術(shù)主要應(yīng)用于以下幾個(gè)方面：刑偵破案、自動(dòng)化智能管理、機(jī)器人學(xué)習(xí)、智能化相機(jī)、網(wǎng)絡(luò)應(yīng)用等。近些年，最近鄰子空間的方法受到了關(guān)注，通過比較一副測試圖像在每一類中的重建誤差，為其分配標(biāo)簽。在近鄰子空間的方法體系下，Huang等人(參見K.HuangandS.Aviyente.Sparserepresentationforsignalclassification.InNIPS,2006.)在一個(gè)隨機(jī)基上對一個(gè)信號(hào)進(jìn)行稀疏編碼，根據(jù)信號(hào)的編碼向量對其分類。Zhang等人提出了基于協(xié)同表示的人臉識(shí)別方法，該方法首先對一幅測試圖像在訓(xùn)練集上進(jìn)行協(xié)同表示，然后計(jì)算該幅圖像與每類訓(xùn)練集上協(xié)同表示的重構(gòu)誤差得到最終的判決結(jié)果，該方法實(shí)現(xiàn)起來比較簡單，而且性能良好。Wright等人(參見J.Wright,A.Y.Yang,A.Ganesh,S.S.Sastry,andY.Ma.Robustfacerecognitionviasparserepresentation.IEEEPAMI,31(2):210–227,2009)將稀疏編碼用于魯棒人臉識(shí)別，首先將一副測試的人臉圖像在模板圖像上稀疏編碼，然后根據(jù)產(chǎn)生最小編碼誤差的類別決定分類結(jié)果。這種基于稀疏表達(dá)的分類器方法，即SRC，在人臉識(shí)別領(lǐng)域取得了極大成功，同時(shí)也促進(jìn)了基于模式分類的稀疏性研究。不少研究學(xué)者探索了分類詞典學(xué)習(xí)的方法，并取得了矚目的成果。Yang等人(參見Yang,M.,Zhang,L.,Yang,J.,Zhang,D.,2010.Metafacelearningforsparserepresentationbasedfacerecognition.In:Proceedingsofthe17thICIP.IEEE,pp.1601–1604.2)使用稀疏表示為每一類學(xué)習(xí)一個(gè)詞典，并將其運(yùn)用到人臉識(shí)別中。此外，在核空間詞典學(xué)習(xí)領(lǐng)域，Gemert等人(參見vanGemertJ,VeenmanC,SmeuldersA,GeusebroekJ.Visualwordambiguity.IEEETransactionsonPatternAnalysisandMachineIntelligence,32(7):1271-1283,2010.)提出了一種高斯RBF核的詞典，在詞典學(xué)習(xí)的過程中，首先將特征映射到高斯RBF核空間，然后在新的空間使用K-means算法。高斯RBF核的引入提升了圖像分類性能，這是因?yàn)楦咚筊BF核將距離近的點(diǎn)映射到新空間后距離變的更近，將距離遠(yuǎn)的點(diǎn)映射到新空間后距離變的更遠(yuǎn)，具有一定近鄰約束的性質(zhì)。Wu等人(參見WuJ,RehgJM.Beyondtheeuclideandistance:Creatingeffectivevisualcodebooksusingthehistogramintersectionkernel[C]//ComputerVision,2009IEEE12thInternationalConferenceon.IEEE,2009:630-637)提出了在直方圖交叉核空間詞典，由于圖像分類的特征本身就是一種直方圖，直方圖交叉核函數(shù)更適合度量直方圖間的距離，并且取得了不錯(cuò)的分類效果。這幾種方法都是基于K-means算法的擴(kuò)展，由于K-means算法自身的強(qiáng)約束性，分類性能受到一定的影響，很難有太大的進(jìn)展。Gao等人(參見GaoS,TsangI,ChiaL.Sparserepresentationwithkernels.IEEETransactiononImageProcessing,22(2):423-434,2013.)直接將歐式空間中SR算法求取的過完備基映射到再生核希爾伯特空間，完成再生核希爾伯特空間的稀疏表達(dá)。Gao等人首次將核函數(shù)引入到了稀疏編碼算法中，形成核空間的SR算法。該方法將圖像特征和詞典都映射到核空間，然后在核空間執(zhí)行SR算法。該方法取得了不錯(cuò)的效果，但是存在著一定的不足，首先，圖像特征空間與詞典空間映射到同一個(gè)核空間未必合理，這是因?yàn)閷τ趫D像分類問題，圖像特征一般說來每個(gè)bin都是正數(shù)，是位于歐式空間的某個(gè)特定區(qū)間，而詞典的各個(gè)bin則有正有負(fù)，在歐式空間中，線性擬合的方式?jīng)]有問題，然而映射到高維非線性核空間，這種線性擬合的假設(shè)并不準(zhǔn)確；其次，該方法所有的推導(dǎo)都是基于高斯RBF核的，所以推廣性不強(qiáng)。綜上所述，傳統(tǒng)的人臉識(shí)別方法大多都是直接使用訓(xùn)練樣本構(gòu)造子空間，利用測試樣本在構(gòu)造子空間中擬合，這種方式導(dǎo)致測試樣本在子空間中的擬合誤差較大。而傳統(tǒng)的詞典學(xué)習(xí)方法將原始樣本轉(zhuǎn)換到稀疏子空間時(shí)，并不能保證稀疏子空間內(nèi)每類樣本的稀疏編碼聚集在一起，不利于人臉的識(shí)別。此外，常用的詞典學(xué)習(xí)方法都是在原始?xì)W式空間進(jìn)行的，是的隱藏在數(shù)據(jù)中的非線性結(jié)構(gòu)無法被捕捉，會(huì)導(dǎo)致人臉的非線性結(jié)構(gòu)信息丟失。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明針對現(xiàn)有人臉識(shí)別方法存在擬合誤差大、精確度不高等上述不足，提供一種基于核空間的分類聚集稀疏表示的人臉識(shí)別方法，該方法在稀疏表達(dá)約束中加熱分類集中約束項(xiàng)，使同類樣本在子空間中更加聚集，不同類樣本在子空間中相對分散，有利于樣本在高維子空間中的聚類，提高了識(shí)別效果。本發(fā)明的技術(shù)方案是：一種基于核空間的分類聚集稀疏表示的人臉識(shí)別方法，含有以下步驟：步驟一：采用卷積神經(jīng)網(wǎng)絡(luò)對人臉圖像提取人臉特征。步驟二：訓(xùn)練分類聚集詞典，其訓(xùn)練步驟為：(一)輸入訓(xùn)練樣本，采用包含C個(gè)種類的圖片樣本訓(xùn)練分類詞典，訓(xùn)練樣本空間用X表示，表示為X＝[X1,X2,…,Xc,…,XC]∈RD×N，D表示訓(xùn)練樣本的特征維度，N是訓(xùn)練樣本總的個(gè)數(shù)，X1,X2,…,Xc,…,XC分別表示第1,2,…,c,…,C類樣本，定義N1,N2,…,Nc,…,NC分別表示每類訓(xùn)練樣本數(shù)目，則N＝N1+N2+…Nc+…+NC；(二)對訓(xùn)練樣本進(jìn)行二范數(shù)歸一化，得到歸一化的訓(xùn)練樣本集X；(三)對每一類訓(xùn)練樣本分別訓(xùn)練其聚集詞典，訓(xùn)練詞典的過程為：1、取出第c類樣本Xc，將Xc映射到核空間φ(Xc)；2、稀疏編碼詞典φ(Xc)Wc的訓(xùn)練需要滿足約束條件，所述約束條件的目標(biāo)函數(shù)為：式中，α為稀疏編碼算法中稀疏項(xiàng)約束的懲罰系數(shù)，η為稀疏編碼詞典Xc中分類聚集約束的懲罰系數(shù)，Sc為第c類核空間訓(xùn)練樣本的稀疏表示矩陣，K為學(xué)習(xí)得到的詞典的大小，是一個(gè)權(quán)重矩陣，其每一列表示核空間樣本對構(gòu)造詞典中每個(gè)詞條的貢獻(xiàn)大小，詞典Bc＝φ(Xc)Wc，φ表示樣本在核空間中的映射；3、對步驟2中約束條件的目標(biāo)函數(shù)進(jìn)行求解，即對公式(1)求解，求解方法為：首先，對Wc和Sc進(jìn)行初始化，隨機(jī)生成兩個(gè)矩陣，其中，Wc是Nc×K矩陣，Sc是K×Nc矩陣；然后，交替迭代更新Wc和Sc，求取最優(yōu)的權(quán)重矩陣Wc和稀疏表示矩陣Sc，使得目標(biāo)函數(shù)值最小，將每一類訓(xùn)練樣本的權(quán)重矩陣Wc放置到一個(gè)大的矩陣當(dāng)中，獲得維數(shù)為N行C×K列的權(quán)重矩陣W，該權(quán)重矩陣W即為分類聚集詞典；步驟三：對圖像進(jìn)行識(shí)別，其步驟為：(一)采用卷積神經(jīng)網(wǎng)絡(luò)提取待識(shí)別測試樣本的圖像特征，定義y∈RD×1表示一幅待識(shí)別的測試樣本圖像特征；并將測試樣本圖像特征y映射到核空間φ(y)；(二)使用步驟二中獲得的權(quán)重矩陣W，對核空間φ(y)進(jìn)行擬合，獲取擬合函數(shù)；(三)對步驟(二)中獲取的擬合函數(shù)進(jìn)行求解；(四)核空間φ(y)在每類樣本所構(gòu)成子空間的擬合誤差；(五)比較核空間φ(y)和每類樣本的擬合誤差，待識(shí)別圖像則屬于擬合誤差最小的那個(gè)類別。作為優(yōu)選，所述步驟二的步驟3中，對步驟2中約束條件的目標(biāo)函數(shù)進(jìn)行求解的具體過程為：(1)固定Wc，更新Sc；將Wc帶入約束條件的目標(biāo)函數(shù)，這時(shí)該目標(biāo)函數(shù)轉(zhuǎn)化成為一個(gè)關(guān)于Sc的l1范數(shù)正則化最小二乘問題，即目標(biāo)函數(shù)轉(zhuǎn)化為：忽略常數(shù)項(xiàng)，上述公式(2)可以簡化為：κ(Xc,Xc)＝<φ(Xc),φ(Xc)>為核函數(shù)。去掉常數(shù)項(xiàng)，獲得以下公式：對Sc矩陣中的每一個(gè)元素進(jìn)行更新，使公式(4)最優(yōu)，對Sc矩陣中的每一個(gè)元素進(jìn)行更新的方法步驟為：定義Sc中的第k行第n列的元素為更新Sc矩陣，使Sc矩陣滿足公式(3)的約束條件為：逐次更新Sc矩陣每一行每一列的元素；設(shè)第k行第n列的元素為未知，Sc矩陣其它元素為已知，則公式(3)可以變形為：上述公式(5)為變量的一元二次方程，則的最優(yōu)解為變量滿足如下方程：其中，E＝WcTκ(Xc,Xc)Wc；依次遍歷Sc矩陣每一個(gè)元素，即求取最優(yōu)的稀疏表示矩陣Sc；(2)固定步驟(1)中求取的稀疏表示矩陣Sc，更新權(quán)重矩陣Wc，這時(shí)約束條件的目標(biāo)函數(shù)轉(zhuǎn)換為權(quán)重矩陣Wc的l2范數(shù)約束的最小二乘問題，即目標(biāo)函數(shù)轉(zhuǎn)化為：采用拉格朗日乘子的方法計(jì)算l2范數(shù)約束的最小二乘問題，忽略公式(7)中的常數(shù)項(xiàng)約束，則公式(7)變化為：式中，λk為拉格朗日乘子；根據(jù)Karush-Kuhn-Tucker條件，上述公式(8)取得最優(yōu)解需要滿足如下條件：對權(quán)重矩陣Wc的每一列逐次進(jìn)行更新，更新某一列時(shí)，其余列則為固定值；通過求解公式(9)獲得Wc的每一列更新值為：式中，表示在滿足公式(7)的約束條件下的權(quán)重矩陣Wc的第k列的最優(yōu)值；F＝ScScT，遍歷Wc的每一列來更新Wc的權(quán)值；(3)交替更新上述步驟(1)和步驟(2)來更新稀疏表示矩陣Sc和權(quán)重矩陣Wc的權(quán)值，當(dāng)上述公式(1)的目標(biāo)函數(shù)值f(Wc,Sc)趨于穩(wěn)定時(shí)，稀疏表示矩陣Sc和權(quán)重矩陣Wc更新完畢；(4)依次訓(xùn)練每一類訓(xùn)練樣本的稀疏表示矩陣Sc和權(quán)重矩陣Wc；(5)將每一類訓(xùn)練樣本的權(quán)重矩陣Wc放置到一個(gè)大的矩陣當(dāng)中，獲得維數(shù)為N行C×K列的權(quán)重矩陣W，權(quán)重矩陣W表示為：上述獲得的權(quán)重矩陣W即為分類聚集詞典。進(jìn)一步的，步驟三的步驟(二)中獲取的擬合函數(shù)為：式中，s表示測試樣本φ(y)的稀疏編碼，φ(X)表示訓(xùn)練樣本X在核空間的映射。進(jìn)一步的，步驟三的步驟(三)中，對步驟(二)中公式(12)表示的擬合函數(shù)進(jìn)行求解，其求解結(jié)果為：式中，sk表示s中的第k個(gè)元素，進(jìn)一步的，步驟三的步驟(四)中，核空間φ(y)在每類樣本所構(gòu)成子空間的擬合誤差用r(c)表示，其表達(dá)式為：式中，φ(y)為測試樣本圖像特征y在核空間的映射。本發(fā)明的有益效果是：本發(fā)明考慮了用訓(xùn)練樣本對測試樣本進(jìn)行稀疏表達(dá)時(shí)，每個(gè)訓(xùn)練樣本對子空間構(gòu)造的權(quán)重的不同，以及離類中心近的訓(xùn)練樣本對構(gòu)造子空間應(yīng)當(dāng)具有更大的權(quán)重，采用φ(Xc)Wc矩陣構(gòu)造新的稀疏表達(dá)詞典，其中φ(Xc)是每類訓(xùn)練樣本，Wc為本發(fā)明提出的詞典權(quán)重矩陣；本發(fā)明在稀疏表達(dá)約束中加入分類集中約束項(xiàng)，使同類樣本在子空間中更加聚集，不同類樣本在子空間中相對分散，并推倒出該人臉識(shí)別方法的迭代優(yōu)化方法。與現(xiàn)有技術(shù)相比，本發(fā)明提出的人臉識(shí)別方法能夠有效的降低測試樣本在相應(yīng)子空間內(nèi)的擬合誤差，且使得相同類別的樣本在稀疏空間內(nèi)能夠聚集在一起，從而提升了人臉識(shí)別性能；推廣至核空間后，本發(fā)明人臉識(shí)別方法處理非線性結(jié)構(gòu)和關(guān)系的能力增強(qiáng)，能夠有效發(fā)掘復(fù)雜數(shù)據(jù)的隱藏特征，進(jìn)一步提升人臉識(shí)別性能。附圖說明圖1為本發(fā)明具體實(shí)施例訓(xùn)練分類聚集詞典的流程圖。圖2為本發(fā)明具體實(shí)施例對樣本進(jìn)行圖像識(shí)別的流程圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明作出進(jìn)一步說明。一種基于核空間的分類聚集稀疏表示的人臉識(shí)別方法，含有以下步驟：步驟一：采用卷積神經(jīng)網(wǎng)絡(luò)對人臉圖像提取人臉特征。本實(shí)施例中，選用VGG模型(Deepfacerecognition,O.M.ParkhiandA.VedaldiandA.Zisserman,DeepFaceRecognition,ProceedingsoftheBritishMachineVisionConference(BMVC),2015)。首先，將人臉圖像尺度大小變?yōu)?24×224大小，然后調(diào)用VGG模型，得到人臉圖像的特征。步驟二：訓(xùn)練分類聚集詞典，其訓(xùn)練步驟為：(一)輸入訓(xùn)練樣本，采用包含C個(gè)種類的圖片樣本訓(xùn)練分類詞典，訓(xùn)練樣本空間用X表示，表示為X＝[X1,X2,…,Xc,…,XC]∈RD×N，D表示訓(xùn)練樣本的特征維度，N是訓(xùn)練樣本總的個(gè)數(shù)，X1,X2,…,Xc,…,XC分別表示第1,2,…,c,…,C類樣本，定義N1,N2,…,Nc,…,NC分別表示每類訓(xùn)練樣本數(shù)目，則N＝N1+N2+…Nc+…+NC；(二)對訓(xùn)練樣本進(jìn)行二范數(shù)歸一化，得到歸一化的訓(xùn)練樣本集X；(三)對每一類訓(xùn)練樣本分別訓(xùn)練其聚集詞典，訓(xùn)練詞典的過程為：1、取出第c類樣本Xc，將Xc映射到核空間φ(Xc)；2、稀疏編碼詞典φ(Xc)Wc的訓(xùn)練需要滿足約束條件，所述約束條件的目標(biāo)函數(shù)為：式中，α為稀疏編碼算法中稀疏項(xiàng)約束的懲罰系數(shù)，η為稀疏編碼詞典Xc中分類聚集約束的懲罰系數(shù)，Sc為第c類核空間訓(xùn)練樣本的稀疏表示矩陣，K為學(xué)習(xí)得到的詞典的大小，是一個(gè)權(quán)重矩陣，其每一列表示核空間樣本對構(gòu)造詞典中每個(gè)詞條的貢獻(xiàn)大小，詞典Bc＝φ(Xc)Wc，φ表示樣本在核空間中的映射，φ是未知的，但可以通過核函數(shù)計(jì)算其內(nèi)積，例如：κ(x,y)＝<φ(x),φ(y)>。3、對步驟2中約束條件的目標(biāo)函數(shù)進(jìn)行求解，即對公式(1)求解，求解方法為：首先，對Wc和Sc進(jìn)行初始化，隨機(jī)生成兩個(gè)矩陣，其中，Wc是Nc×K矩陣，Sc是K×Nc矩陣；然后，交替迭代更新Wc和Sc，求取最優(yōu)的權(quán)重矩陣Wc和稀疏表示矩陣Sc，使得目標(biāo)函數(shù)值最小，將每一類訓(xùn)練樣本的權(quán)重矩陣Wc放置到一個(gè)大的矩陣當(dāng)中，獲得權(quán)重矩陣W，該權(quán)重矩陣W即為分類聚集詞典；其具體求解過程為：(1)固定Wc，更新Sc；將Wc帶入約束條件的目標(biāo)函數(shù)，這時(shí)該目標(biāo)函數(shù)轉(zhuǎn)化成為一個(gè)關(guān)于Sc的l1范數(shù)正則化最小二乘問題，即目標(biāo)函數(shù)轉(zhuǎn)化為：忽略常數(shù)項(xiàng)，上述公式(2)可以簡化為：κ(Xc,Xc)＝<φ(Xc),φ(Xc)>為核函數(shù)。去掉常數(shù)項(xiàng)，獲得以下公式：對Sc矩陣中的每一個(gè)元素進(jìn)行更新，使公式(4)最優(yōu)，對Sc矩陣中的每一個(gè)元素進(jìn)行更新的方法步驟為：定義Sc中的第k行第n列的元素為更新Sc矩陣，使Sc矩陣滿足公式(3)的約束條件為：逐次更新Sc矩陣每一行每一列的元素；設(shè)第k行第n列的元素為未知，Sc矩陣其它元素為已知，則公式(3)可以變形為：上述公式(5)為變量的一元二次方程，則的最優(yōu)解為變量滿足如下方程：其中，E＝WcTκ(Xc,Xc)Wc；依次遍歷Sc矩陣每一個(gè)元素，即求取最優(yōu)的稀疏表示矩陣Sc。(2)固定步驟(1)中求取的稀疏表示矩陣Sc，更新權(quán)重矩陣Wc，這時(shí)約束條件的目標(biāo)函數(shù)轉(zhuǎn)換為權(quán)重矩陣Wc的l2范數(shù)約束的最小二乘問題，即目標(biāo)函數(shù)轉(zhuǎn)化為：采用拉格朗日乘子的方法計(jì)算l2范數(shù)約束的最小二乘問題，忽略公式(7)中的常數(shù)項(xiàng)約束，則公式(7)變化為：式中，λk為拉格朗日乘子；根據(jù)Karush-Kuhn-Tucker條件，上述公式(8)取得最優(yōu)解需要滿足如下條件：對權(quán)重矩陣Wc的每一列逐次進(jìn)行更新，更新某一列時(shí)，其余列則為固定值；通過求解公式(9)獲得Wc的每一列更新值為：式中，表示在滿足公式(7)的約束條件下的權(quán)重矩陣Wc的第k列的最優(yōu)值；F＝ScScT，遍歷Wc的每一列來更新Wc的權(quán)值；(3)交替更新上述步驟(1)和步驟(2)來更新稀疏表示矩陣Sc和權(quán)重矩陣Wc的權(quán)值，當(dāng)上述公式(1)的目標(biāo)函數(shù)值f(Wc,Sc)趨于穩(wěn)定時(shí)，稀疏表示矩陣Sc和權(quán)重矩陣Wc更新完畢；(4)依次訓(xùn)練每一類訓(xùn)練樣本的稀疏表示矩陣Sc和權(quán)重矩陣Wc；(5)將每一類訓(xùn)練樣本的權(quán)重矩陣Wc放置到一個(gè)大的矩陣當(dāng)中，獲得維數(shù)為N行C×K列的權(quán)重矩陣W，權(quán)重矩陣W表示為：上述獲得的權(quán)重矩陣W即為分類聚集詞典。步驟三：對圖像進(jìn)行識(shí)別，其步驟為：(一)采用卷積神經(jīng)網(wǎng)絡(luò)提取待識(shí)別測試樣本的圖像特征，具體如下：將測試樣本圖像尺度變?yōu)?24×224mm大小，然后調(diào)用VGG模型，提取該測試樣本圖像的特征，定義y∈RD×1表示一幅待識(shí)別的測試樣本圖像特征。(二)使用步驟二中獲得的權(quán)重矩陣W，對核空間φ(y)進(jìn)行擬合，獲取擬合函數(shù)，獲取的擬合函數(shù)為：式中，s表示測試樣本φ(y)的稀疏編碼，φ(X)表示訓(xùn)練樣本X在核空間的映射。(三)對步驟(二)中獲取的擬合函數(shù)進(jìn)行求解，其求解結(jié)果為：式中，sk表示s中的第k個(gè)元素，(四)求核空間φ(y)在每類樣本所構(gòu)成子空間的擬合誤差，用r(c)表示，其表達(dá)式為：式中，φ(y)為測試樣本圖像特征y在核空間的映射。(五)比較核空間φ(y)和每類樣本的擬合誤差，待識(shí)別圖像則屬于擬合誤差最小的那個(gè)類別。通過本發(fā)明上述方法進(jìn)行人臉識(shí)別，一方面能夠有效地降低測試樣本在相應(yīng)子空間內(nèi)的擬合誤差，識(shí)別精確度高，另一方面，使得相同類別的測試樣本在稀疏空間內(nèi)能夠聚集在一起，從而提升人臉識(shí)別的性能。由于本發(fā)明人臉識(shí)別方法處理非線性結(jié)構(gòu)和關(guān)系的能力增強(qiáng)，能夠有效發(fā)掘復(fù)雜數(shù)據(jù)的掩藏特征，進(jìn)一步提升了人臉識(shí)別性能。以上所舉實(shí)施例僅用為方便舉例說明本發(fā)明，并非對本發(fā)明保護(hù)范圍的限制，在本發(fā)明所述技術(shù)方案范疇，所屬技術(shù)領(lǐng)域的技術(shù)人員所作各種簡單變形與修飾，均應(yīng)包含在以上申請專利范圍中。