基于自适应局部约束的判别字典学习的人脸识别方法及系统技术方案

本发明专利技术提出了一种基于自适应局部约束的判别字典学习算法以解决字典学习算法在人脸识别中存在的问题。本发明专利技术首先利用原子构造自适应的拉普拉斯图，使其能够保持字典的局部结构特征。然后，利用编码系数矩阵的行向量与字典的拉普拉斯图设计局部约束判别式项，使得字典具有更强的判别性能，进而设计基于自适应局部约束的判别字典学习的人脸识别系统模型，提高人脸识别的分类性能。本发明专利技术算法的顺利开展将丰富和发展基于约束的字典学习理论体系，为增强字典鉴别性能、提升人脸识别的能力起着重要的指导作用。

【技术实现步骤摘要】

本专利技术涉及图像识别
，尤其涉及一种判别字典学习算法及人脸识别系统。
技术介绍
训练样本的局部特征对于提高基于字典学习的判别性能起到非常重要的作用。但人脸图像易受光照、姿态和遮挡等因素的影响，导致直接利用人脸图像计算的局部特征并不一定真实的反映人脸间的特征关系，降低基于字典学习的人脸识别系统的分类性能。
技术实现思路
本专利技术的目的在于提供一种基于自适应局部约束的判别字典学习算法来解决字典学习算法在人脸识别中存在的问题。为达上述目的，本专利技术通过以下技术方案实现：一种基于自适应局部约束的判别字典学习算法，包括以下步骤：S1、利用原子构造字典的局部特征模型：利用字典中的原子构造图M： M ( i , j ) = exp ( - 本文档来自技高网...

【技术保护点】
一种基于自适应局部约束的判别字典学习算法，其特征在于：所述方法包括以下步骤：S1、利用原子构造字典的局部特征模型：利用字典中的原子构造图M：其中，是第i个原子，K是原子个数，δ是参数，kNN(di)表示原子di的k近邻原子，M(i,j)是原子di和dj的权重，并反映它们间的相似性；S2、利用拉普拉斯图来构造原子间的相似性特征，基于原子特征的拉普拉斯图L构造如下：其中，M是字典D中原子的近邻图，T是利用近邻图M计算的对角矩阵，Mij是近邻图M中原子间的权重；S3、利用编码系数矩阵的行向量和拉普拉斯图L保持字典的局部结构信息，则设计的自适应局部约束模型如下：其中，是编码系数矩阵X的第i行矢量, T...

【技术特征摘要】
1.一种基于自适应局部约束的判别字典学习算法，其特征在于：所述方法包括以下步骤：S1、利用原子构造字典的局部特征模型：利用字典中的原子构造图M：其中，是第i个原子，K是原子个数，δ是参数，kNN(di)表示原子di的k近邻原子，M(i,j)是原子di和dj的权重，并反映它们间的相似性；S2、利用拉普拉斯图来构造原子间的相似性特征，基于原子特征的拉普拉斯图L构造如下：其中，M是字典D中原子的近邻图，T是利用近邻图M计算的对角矩阵，Mij是近邻图M中原子间的权重；S3、利用编码系数矩阵的行向量和拉普拉斯图L保持字典的局部结构信息，则设计的自适应局部约束模型如下：其中，是编码系数矩阵X的第i行矢量, Tr(·)是矩阵的迹运算。S4、为了学习一个判别性能强的字典，利用原子的局部特征约束项作为判别式约束项，构造目标函数如下：s.t.||di||2＝1,i＝1,…,K其中，Y是训练样本集合，D是学习得到的字典，X是编码系数矩阵，α和β 是调整参数；S5、目标函数求解：当编码系数矩阵X和拉普拉斯矩阵L固定，则基于局部约束的字典学习算法的目标函数可以转换为：s.t.||di||2＝1,i＝1,…,K最优的字典D为：D*＝YXT(XXT+Λ)-1，其中λi是第i个等式约束||di||2＝1的拉格朗日乘子；其对角元素Λii＝λi；一旦获得最优的字典D*，根据步骤S1和S2更新拉普拉斯矩阵L；然后，计算编码系数矩阵：其中，soft(.)为软阀值函数，是关于变量X的求导运算。2.根据权利要求1所述的判别字典学习算法，其特征在于：所述步骤S5中，为了减少计算复杂度，利用δI代替Λ获得最优的字典D为：D*＝YXT(XXT+δI)-1，其中，I是单位矩阵。3.一种应用于人脸识别系统的基于自适应局部约束的判别字典学习方法，其特征在于：所述方法包括：A.获得训练样本集合Y,设置参数α,β,γ,δ,k,及迭代次数φ；B.针对训练样本中的第j类样本，利用K-SVD算法初始化特定类字典Dj和编码系数矩阵Xj；C.获得初始化字典D0＝[D1,…,DC]和初始化编码系数矩阵X0＝[X1,…,XC]，并利用D0计算初始化的拉普拉斯矩阵L0；D.For i＝1:φ利用公式...

【专利技术属性】
技术研发人员：李争名，徐勇，
申请(专利权)人：哈尔滨工业大学深圳研究生院，
类型：发明
国别省市：广东;44