一种基于局部信息和组稀疏约束的半监督人脸识别方法技术

本发明专利技术公开一种基于局部信息和组稀疏约束的半监督人脸识别方法，步骤是：获取一个包含n个高维数据的人脸数据集X∈R

【技术实现步骤摘要】
一种基于局部信息和组稀疏约束的半监督人脸识别方法
本专利技术属于机器学习
，特别涉及一种基于局部信息和组稀疏约束的半监督人脸识别方法。
技术介绍
人脸识别是进行身份识别的一项重要生物识别技术，在多种领域已经取得了广泛的应用，如智能门禁、人机交互、权限管理等。近年来，随着多媒体技术和网络技术的快速发展，人脸数据逐渐呈现出高维特征，这些高维人脸数据的处理不但需要消耗大量的时间和空间资源，且该类数据往往包含大量冗余信息，给基于该类数据的人脸识别方法带来了挑战。现有的人脸识别方法虽然有对输入数据进行特征的筛选，如利用主成员分析(PCA)、FISHER等方法进行代表性特征的选择，然而这些方法主要存在两个方面的问题：(1)这些方法仅考虑了相同数据特征之间联系，而缺乏对不同数据特征之间相关性的分析，从而导致很难筛选出最具代表性的特征；(2)这些方法容易受到外界噪声的影响，尤其在数据集中存在较多未标记数据时，如果不能有效抑制噪声的干扰，将严重影响人脸识别的效果。基于以上分析，现有的人脸识别方法对识别的准确性不高，有待改进。
技术实现思路
本专利技术的目的，在于提供一种基于局部信息和组稀疏约束的半监督人脸识别方法，其可有效提高人脸特征选择和识别的准确度，同时可有效抑制数据集中噪声的干扰。为了达成上述目的，本专利技术的解决方案是：一种基于局部信息和组稀疏约束的半监督人脸识别方法，包括如下步骤：(1)获取一个包含n个高维数据的人脸数据集X∈Rd×n，其中，d为数据维度，该人脸数据集中包含m个已标记数据集Xl∈Rd×m及对应的标签矩阵Yl∈Rm×c,其中，c为人脸数据的分类数；(2)在数据集X上，构建基于局部信息约束的无监督人脸特征选择模型；(3)在已标记数据集Xl上，构建基于矩阵l2,1损失函数的监督人脸特征选择模型；(4)构建组稀疏约束的人脸特征选择目标函数；(5)利用迭代优化算法求解步骤(4)中的目标函数；(6)以经过步骤(5)筛选过后的人脸特征作为SVM的输入，训练得到SVM分类器，并完成对人脸的识别。上述步骤(2)中，构建的基于局部信息约束的无监督人脸特征选择模型是；其中，Iu∈Rc×c是c阶单位矩阵，L的定义如下:其中，Id∈Rd×d是d阶单位矩阵，是由数据集X中第i个数据xi及其k个最近邻组成的数据集；是中心化矩阵，其中Ik+1∈R(k+1)×(k+1)是k+1阶单位矩阵，1k+1是成员全为1的向量；Si∈Rn×(k+1)为局部分类选择矩阵，Si定义如下：其中，设数据xp是数据xi的近邻中距离由小到大第q个邻近数据。上述步骤(3)中，构建的基于矩阵l2,1损失函数的监督人脸特征选择模型是；其中，bl为偏差项，1l为全1向量，Yl为标签矩阵，||·||2,1为矩阵的l2,1范数,对于任意矩阵M∈Rr×p，其l2,1范数定义为：上述步骤(4)中，构建的组稀疏约束的人脸特征选择目标函数如下：其中，和用于增强模型的泛化能力，防止过拟合；W＝[Wu,Wl]为组稀疏约束矩阵。上述步骤(5)的具体过程是：(51)首先对目标函数进行优化：设目标函数相对于bl的偏导数为0，得到将求解得到的bl代入目标函数中，得到转换后的目标函数为：其中，Il∈Rm×m是单位矩阵；锁定Wu求Wl,令且设定转换后的目标函数相对于Wl的偏导数为0，得到其中，Id∈Rd×d是单位矩阵,Dl和D的定义如下：锁定Wl求解Wu,该求解过程等价于：该方程的最优解通过求解L+αId+βD的特征分解获得，且最优解为L+αId+βD前c个最小特征值所对应特征向量的列组合矩阵；(52)迭代优化过程如下：令X∈Rd×n代表输入数据集，Xl∈Rd×m和Yl∈Rm×c分别代表X中已标记数据集及其标签，t代表迭代次数；步骤1：计算步骤2：更新其中，Pi是P的前c个最小特征值所对应的特征向量；步骤3：更新步骤4：更新步骤5：更新t＝t+1；步骤6：当两次计算的Wu小于某一值时，转至步骤7，否则重复执行步骤1-6；步骤7：按照||wi||2的值对属性特征进行降序排序，并选择前c个特征作为数据集的最具代表性特征，并结束整个迭代过程。采用上述方案后，本专利技术有效利用数据集中的局部信息和已知标签信息，可提高人脸特征选择和识别的准确度，并可以通过构件联合特征选择矩阵来达到人脸特征的组稀疏效果，进而能够更容易适应实际应用中数据的应用处理，其学习效果优于传统学习方案的效果；本专利技术同时还可有效抑制数据集中噪声的干扰，最终为机器学习、计算机视觉相关应用提供有效的支持。附图说明图1是本专利技术的原理示意图；图2是本专利技术的流程图。具体实施方式以下将结合附图，对本专利技术的技术方案进行详细说明。如图1和图2所示，本专利技术提供一种基于局部信息和组稀疏约束的半监督人脸识别方法，包括如下步骤：(1)获取一个包含n个高维数据的人脸数据集X∈Rd×n，其中，d为数据维度，该人脸数据集中包含m个已标记数据集Xl∈Rd×m及对应的标签矩阵Yl∈Rm×c,其中，c为人脸数据的分类数。(2)在数据集X上，构建基于局部信息约束的无监督人脸特征选择模型；其中，Iu∈Rc×c是c阶单位矩阵，L的定义如下:其中，Id∈Rd×d是d阶单位矩阵，是由数据集X中第i个数据xi及其k个最近邻组成的数据集；是中心化矩阵，其中Ik+1∈R(k+1)×(k+1)是k+1阶单位矩阵，1k+1是成员全为1的向量；Si∈Rn×(k+1)为局部分类选择矩阵，设数据xp是数据xi的近邻中距离由小到大第q个邻近数据，则Si可定义如下：(3)在已标记数据集Xl上，构建基于矩阵l2,1损失函数的监督人脸特征选择模型；其中，bl为偏差项，1l为全1向量，Yl为标签矩阵，||·||2,1为矩阵的l2,1范数,对于任意矩阵M∈Rr×p，其l2,1范数定义为：(4)在步骤(2)和(3)的基础上，构建组稀疏约束的人脸特征选择目标函数如下：其中，和用于增强模型的泛化能力，防止过拟合。W＝[Wu,Wl]为组稀疏约束矩阵。可以看出，目标函数中组稀疏约束矩阵的l2,1范数项||W||2,1采用按行约束方式，使得W具有组稀疏特性，从而有利于选择最具代表性的人脸特征。同时，当Wu和Wl中存在噪声特征时，||W||2,1约束将使得W中相对应的行将趋近于零，进而能够有效排除噪声干扰。(5)求解目标函数由于所述目标函数涉及组稀疏的l2,1约束，是非凸的，采用以下步骤对其进行优化：设目标函数相对于bl的偏导数为0，得到将求解得到的bl代入目标函数中，得到转换后的目标函数为：其中，Il∈Rm×m是单位矩阵。锁定Wu求Wl,令且设定转换后的目标函数相对于Wl的偏导数为0，得到其中，Id∈Rd×d是单位矩阵,Dl和D的定义如下：锁定Wl求解Wu,该求解过程等价于：该方程的最优解可通过求解L+αId+βD的特征分解获得，且最优解为L+αId+βD前c个最小特征值所对应特征向量的列组合矩阵。(6)迭代优化过程如下：令X∈Rd×n代表输入数据集，Xl∈Rd×m和Yl∈Rm×c分别代表X中已标记数据集及其标签，t代表迭代次数。步骤1：计算步骤2：更新其中，Pi是P的前c个最小特征值所对应的特征向量；步骤3：更新步骤4：更新步骤5：更新t＝t+1；步骤6：当两次计算的Wu小于某一值时，转至步骤7，否则重复执行本文档来自技高网...

【技术保护点】
一种基于局部信息和组稀疏约束的半监督人脸识别方法，其特征在于包括如下步骤：(1)获取一个包含n个高维数据的人脸数据集X∈R

【技术特征摘要】
1.一种基于局部信息和组稀疏约束的半监督人脸识别方法，其特征在于包括如下步骤：(1)获取一个包含n个高维数据的人脸数据集X∈Rd×n，其中，d为数据维度，该人脸数据集中包含m个已标记数据集Xl∈Rd×m及对应的标签矩阵Yl∈Rm×c,其中，c为人脸数据的分类数；(2)在数据集X上，构建基于局部信息约束的无监督人脸特征选择模型；(3)在已标记数据集Xl上，构建基于矩阵l2,1损失函数的监督人脸特征选择模型；(4)构建组稀疏约束的人脸特征选择目标函数；(5)利用迭代优化算法求解步骤(4)中的目标函数；(6)以经过步骤(5)筛选过后的人脸特征作为SVM的输入，训练得到SVM分类器，并完成对人脸的识别。2.如权利要求1所述的一种基于局部信息和组稀疏约束的半监督人脸识别方法，其特征在于：所述步骤(2)中，构建的基于局部信息约束的无监督人脸特征选择模型是；其中，Iu∈Rc×c是c阶单位矩阵，L的定义如下:其中，Id∈Rd×d是d阶单位矩阵，是由数据集X中第i个数据xi及其k个最近邻组成的数据集；是中心化矩阵，其中Ik+1∈R(k+1)×(k+1)是k+1阶单位矩阵，1k+1是成员全为1的向量；Si∈Rn×(k+1)为局部分类选择矩阵，Si定义如下：其中，设数据xp是数据xi的近邻中距离由小到大第q个邻近数据。3.如权利要求1所述的一种基于局部信息和组稀疏约束的半监督人脸识别方法，其特征在于：所述步骤(3)中，构建的基于矩阵l2,1损失函数的监督人脸特征选择模型是；其中，bl为偏差项，1l为全1向量，Yl为标签矩阵，||·||2,1为矩阵的l2,1范数,对于任意矩阵M∈Rr×p，其l2,1范数定义为：4.如权利要求1所述的一种基于局部信息和组稀疏约束的半监督人脸识别方法，其特征在于：所述步骤(4)中，构建的组稀疏约束的人脸特征选择目标函数如下：

【专利技术属性】
技术研发人员：曾志强，王晓栋，李伟，陈玉明，王琰，洪朝群，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：福建,35