技術(shù)特征：

1.一種基于稀疏投影二值編碼的人臉識(shí)別方法，其特征在于，包括：

獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量；其中，所述訓(xùn)練樣本為人臉圖像，所述訓(xùn)練集中包括多幅不同的人臉圖像；

根據(jù)所述第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各所述像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；

對(duì)所有的所述第一二值特征向量進(jìn)行聚類(lèi)，得到多個(gè)聚類(lèi)中心-單詞；

將各所述訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用所述單詞對(duì)所述第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)所述第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量；

獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各所述第二二值特征向量組成第二矩陣，采用所述單詞對(duì)所述第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)所述第二線性重建結(jié)果得到第二向量；

根據(jù)所述第一向量和所述第二向量，得到人臉識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一目標(biāo)函數(shù)如公式一所示：

其中，R為稀疏投影矩陣，|R|₀≤m表示稀疏投影矩陣R中非零元素的個(gè)數(shù)小于等于m個(gè)，B為第一二值特征向量，參數(shù)m與所述稀疏投影矩陣R的稀疏程度具有關(guān)聯(lián)關(guān)系，m為正整數(shù)，X為所述第一像素差值向量。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述將各所述訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用所述單詞對(duì)所述第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)所述第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量，包括：

采用所述單詞對(duì)所述第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，所述第一線性重建結(jié)果的表達(dá)式如公式二所示：

B_i＝a_i1S₁+a_i2S₂+...+a_ikS_k 公式二；

其中，B_i為第i個(gè)訓(xùn)練樣本的各第一二值特征向量組成的第一矩陣，S_k為第k個(gè)單詞，a_ik為在第i個(gè)訓(xùn)練樣本的對(duì)應(yīng)的所述第一矩陣采用所述單詞進(jìn)行線性重建時(shí)第k個(gè)單詞的權(quán)重；

將所述第一線性重建結(jié)果的表達(dá)式中的各所述單詞對(duì)應(yīng)的權(quán)重組成第一向量(a_i1，a_i2，……,a_ik)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各所述第二二值特征向量組成第二矩陣，采用所述單詞對(duì)所述第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)所述第二線性重建結(jié)果得到第二向量，包括：

獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二像素差值向量，并根據(jù)所述第二像素差值向量獲取滿足所述第一目標(biāo)函數(shù)的待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的所述第二二值特征向量；

將各所述第二二值特征向量組成所述第二矩陣，并將所述第二矩陣采用所述單詞進(jìn)行線性重建，得到所述第二線性重建結(jié)構(gòu)，所述第二線性重建結(jié)果的表達(dá)式如公式三所示：

B_測(cè)試＝b₁S₁+b₂S₂+...+b_kS_k 公式三；

其中，B_測(cè)試為各所述第二二值特征向量組成的第二矩陣，S_k為第k個(gè)單詞，b_k為所述第二矩陣采用所述單詞進(jìn)行線性重建時(shí)第k個(gè)單詞的權(quán)重；

將所述第二線性重建結(jié)果的表達(dá)式中的各所述單詞對(duì)應(yīng)的權(quán)重組成所述第二向量(b₁，b₂，……,b_k)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述第一向量和所述第二向量，得到人臉識(shí)別結(jié)果，包括：

將所述第一向量和所述第二向量輸入分類(lèi)器；

獲取所述分類(lèi)器返回的第二向量與各所述第一向量的歐式距離；

將與第二向量的歐式距離最短的第一向量對(duì)應(yīng)的訓(xùn)練樣本所對(duì)應(yīng)的人臉圖像識(shí)別為待檢測(cè)人臉的圖像。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量，包括：

將各訓(xùn)練樣本劃分為多個(gè)塊；

以每個(gè)塊中的每個(gè)像素點(diǎn)為第一中心像素點(diǎn)，以r為半徑，得到所述第一中心像素點(diǎn)的第一鄰域像素點(diǎn)，并按照順時(shí)針?lè)较颍瑢⑺龅谝秽徲蛳袼攸c(diǎn)的像素值與所述第一中心像素點(diǎn)的像素值進(jìn)行差值運(yùn)算，得到長(zhǎng)度為(2×r+1)×(2×r+1)-1維的第一像素差值向量；

獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二像素差值向量，包括：

將所述待檢測(cè)人臉的圖像劃分為多個(gè)塊；

以每個(gè)塊中的每個(gè)像素點(diǎn)為第二中心像素點(diǎn)，以r為半徑，得到所述第二中心像素點(diǎn)的第二鄰域像素點(diǎn)，并按照順時(shí)針?lè)较?，將所述第二鄰域像素點(diǎn)的像素值與所述第二中心像素點(diǎn)的像素值進(jìn)行差值運(yùn)算，得到長(zhǎng)度為(2×r+1)×(2×r+1)-1維的第二像素差值向量；

其中，r為正整數(shù)。

7.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各所述像素點(diǎn)對(duì)應(yīng)的第一二值特征向量，包括：

引入R的代理矩陣S，將所述第一目標(biāo)函數(shù)變換為第二目標(biāo)函數(shù)，所述第二目標(biāo)函數(shù)如公式四所示：

其中，變量α表示代理矩陣S的懲罰因子，用以平衡公式四中和這兩項(xiàng)的變量，S₀表示代理矩陣S中非0元素的個(gè)數(shù)，參數(shù)m與所述稀疏投影矩陣R的稀疏程度具有關(guān)聯(lián)關(guān)系；表示代理矩陣S與二值編碼B之間的量化誤差，表示代理矩陣S與R之間的誤差；

對(duì)所述第二目標(biāo)函數(shù)進(jìn)行求解，得到所述第一二值特征向量。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述對(duì)所述第二目標(biāo)函數(shù)進(jìn)行求解，得到所述第一二值特征向量，包括：

將所述第二目標(biāo)函數(shù)中的S和B隨機(jī)賦予初始值S₀和B₀，并固定所述第二目標(biāo)函數(shù)中的S和B，更新所述第二目標(biāo)函數(shù)中的R，得到R₁，具體為：

將所述第二目標(biāo)函數(shù)改成寫(xiě)第一表達(dá)式，所述第一表達(dá)式如公式五所示：

其中，C₁＝SX,為固定值；

求解第一表達(dá)式，得到R₁，具體為：

通過(guò)公式六或公式七得到R₁：

其中，thrm表示將得到的矩陣中的最大的m個(gè)元素保留，其余的元素置0；R^t+1表示利用公式六第(t+1)次迭代得到的解，R^t表示利用公式六上一次(即第(t)次)迭代的解，當(dāng)?shù)螖?shù)為N時(shí)，利用公式六得到的解收斂，停止迭代，此時(shí)得到的R^N＝R₁，其中R₁表示對(duì)所述第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的R；

R₁＝thrm(S) 公式七；

其中，R₁表示對(duì)所述第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的R。

將所述第二目標(biāo)函數(shù)中的B賦予初始值B₀，將所述第二目標(biāo)函數(shù)中的R賦為R₁，并固定所述第二目標(biāo)函數(shù)中的B和R，更新所述第二目標(biāo)函數(shù)中的S，得到S₁，具體為：

將所述第二目標(biāo)函數(shù)改成寫(xiě)第二表達(dá)式，所述第二表達(dá)式如公式八所示：

其中，C₂＝(B+αRX)/(1+α)為固定值；

求解第二表達(dá)式，得到S₁，具體為：

通過(guò)公式九求解S₁：

對(duì)進(jìn)行奇異值分解得到U，V：

其中，S₁表示對(duì)第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的S；

將所述第二目標(biāo)函數(shù)中的S賦為S₁，將所述第二目標(biāo)函數(shù)中的R賦為R₁，并固定所述第二目標(biāo)函數(shù)中的S和R，更新所述第二目標(biāo)函數(shù)中的B，得到B₁，具體為：

將所述第二目標(biāo)函數(shù)改成寫(xiě)第三表達(dá)式，所述第三表達(dá)式如公式十所示：

其中，C₃＝SX,為固定值；

求解第三表達(dá)式，得到B₁，具體為：

通過(guò)公式十一得到B₁：

B＝sign(C₃)＝sign(SX) 公式十一；

其中，sign(*)為符號(hào)函數(shù)，將自變量*大于0時(shí)，sign(*)函數(shù)輸出1，否則，sign(*)函數(shù)輸出0，B₁表示對(duì)所述第二目標(biāo)函數(shù)求解時(shí)，第一次迭代得到的B，自變量為矩陣C₃中的元素；

將所述第二目標(biāo)函數(shù)中的S賦為S₁，將所述第二目標(biāo)函數(shù)中的B賦為和B₁，并固定所述第二目標(biāo)函數(shù)中的S和B，更新所述第二目標(biāo)函數(shù)中的R，得到R₂；

將所述第二目標(biāo)函數(shù)中的B賦為B₁，將所述第二目標(biāo)函數(shù)中的R賦為R₂，并固定所述第二目標(biāo)函數(shù)中的B和R，更新所述第二目標(biāo)函數(shù)中的S，得到S₂；

將所述第二目標(biāo)函數(shù)中的S賦為S₂，將所述第二目標(biāo)函數(shù)中的R賦為R₂，并固定所述第二目標(biāo)函數(shù)中的S和R，更新所述第二目標(biāo)函數(shù)中的B，得到B₂；

重復(fù)執(zhí)行將所述第二目標(biāo)函數(shù)中的S賦為S_m-1，將所述第二目標(biāo)函數(shù)中的B賦為和B_m-1，并固定所述第二目標(biāo)函數(shù)中的S和B，更新所述第二目標(biāo)函數(shù)中的R，得到R_m；將所述第二目標(biāo)函數(shù)中的B賦為B_m-1，將所述第二目標(biāo)函數(shù)中的R賦為R_m，并固定所述第二目標(biāo)函數(shù)中的B和R，更新所述第二目標(biāo)函數(shù)中的S，得到S_m；將所述第二目標(biāo)函數(shù)中的S賦為S_m，將所述第二目標(biāo)函數(shù)中的R賦為R_m，并固定所述第二目標(biāo)函數(shù)中的S和R，更新所述第二目標(biāo)函數(shù)中的B，得到B_m的操作，直至完成M次迭代，第M次迭代得到的B_M即為所述滿足第一目標(biāo)函數(shù)的各所述像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；其中，m代表第m次迭代，所述m、M均為正整數(shù)。

9.一種基于稀疏投影二值編碼的人臉識(shí)別裝置，其特征在于，包括：

計(jì)算單元，所述計(jì)算單元用于獲取訓(xùn)練集中各訓(xùn)練樣本的各像素點(diǎn)對(duì)應(yīng)的第一像素差值向量；其中，所述訓(xùn)練樣本為人臉圖像，所述訓(xùn)練集中包括多幅不同的人臉圖像；

所述計(jì)算單元還用于根據(jù)所述第一像素差值向量獲取滿足基于稀疏投影矩陣的第一目標(biāo)函數(shù)的各所述像素點(diǎn)對(duì)應(yīng)的第一二值特征向量；

聚類(lèi)單元，所述聚類(lèi)單元對(duì)所有的所述第一二值特征向量進(jìn)行聚類(lèi)，得到多個(gè)聚類(lèi)中心-單詞；

第一向量獲取單元，所述第一向量獲取單元用于將各所述訓(xùn)練樣本相對(duì)應(yīng)的第一二值特征向量組成第一矩陣，采用所述單詞對(duì)所述第一矩陣進(jìn)行線性重建，得到第一線性重建結(jié)果，根據(jù)所述第一線性重建結(jié)果得到第一向量；其中，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)第一向量；

第二向量獲取單元，所述第二向量獲取單元用于獲取待檢測(cè)人臉的圖像的各像素點(diǎn)對(duì)應(yīng)的第二二值特征向量，并將各所述第二二值特征向量組成第二矩陣，采用所述單詞對(duì)所述第二矩陣進(jìn)行線性重建，得到第二線性重建結(jié)果，根據(jù)所述第二線性重建結(jié)果得到第二向量；

識(shí)別單元，所述識(shí)別單元用于根據(jù)所述第一向量和所述第二向量，得到人臉識(shí)別結(jié)果。