一种基于非负稀疏的鉴别性低秩表示分类方法技术

本发明专利技术提出一种基于非负稀疏的鉴别性低秩表示分类方法：首先在训练样本中寻找一个稀疏，低秩和非负矩阵。然后在此基础上加上一个结构不一致的约束条件，促使不同类的样本尽可能独立，从而增加额外的识别能力。最后对测试样本做稀疏表示分类算法（Spare Representation Classification,SRC）、协同表示分类算法（Collaborative Representation Classification,CRC）等；从而将测试样本分类。本发明专利技术提供一种将训练样本进行非负，稀疏，鉴别性低秩处理的一种基于非负稀疏的鉴别性低秩表示分类方法。

A Discriminant Low Rank Representation Classification Method Based on Nonnegative Sparsity

The invention proposes a discriminatory low rank representation classification method based on non-negative sparseness: firstly, a sparse, low rank and non-negative matrix is found in training samples. Then, on this basis, a constraint condition with inconsistent structure is added to make the samples of different classes as independent as possible, thus increasing the additional recognition ability. Finally, Sparse Representation Classification (SRC) and Collaborative Representation Classification (CRC) are used to classify test samples. The present invention provides a discriminatory low rank representation classification method based on non-negative sparse for non-negative, sparse and discriminatory low rank processing of training samples.

【技术实现步骤摘要】
一种基于非负稀疏的鉴别性低秩表示分类方法
本专利技术涉及一种模式识别领域的方法，特别涉及一种低秩表示、稀疏表示和结构不一致的学习方法。
技术介绍
稀疏表示分类算法(SparseRepresentationbasedClassification,SRC)在含有遮挡、噪声、光照情况下也能取得很好的效果。SRC的核心思想是测试样本可以由训练样本的线性组合来精确表示，得到稀疏表示系数，再利用该系数重构测试样本，利用最小重构误差来进行分类。虽然SRC有很好的识别效果，但是它计算复杂度较高，难以满足稀疏表示完备字典的需求。所以Zhang等人提出了协作表示分类(collaborativerepresentation-basedclassification，CRC)，CRC使用l2范数，降低了计算复杂度，并通过实验验证CRC与SRC有相似的识别能力。但是，当训练样本和测试样本中存在遮挡或损坏的情况时，影响识别效果。为了减少有遮挡的样本对人脸识别的影响，Ref.等人提出了低秩矩阵恢复(low-rankmatrixrecovery,LRMR)算法来重构一个干净的低秩的矩阵，但是，实际上人脸数据通常来自多本文档来自技高网...

【技术保护点】
1.一种基于非负稀疏的鉴别性低秩表示分类方法，其特征是，包括以下步骤：1)给定原始的测试样本和训练样本；2)在所有训练样本中寻找一个稀疏、低秩和非负矩阵；3)在2)的基础上加上一个结构不一致的约束条件，通过计算可得到训练样本的表示矩阵；4)使用3)中得到表示矩阵来重构测试样本，得到测试样本的重构图像，这里称之为重构后的测试样本；5)用重构后的测试样本与原始测试样本的残差做分类算法。

【技术特征摘要】
1.一种基于非负稀疏的鉴别性低秩表示分类方法，其特征是，包括以下步骤：1)给定原始的测试样本和训练样本；2)在所有训练样本中寻找一个稀疏、低秩和非负矩阵；3)在2)的基础上加上一个结构不一致的约束条件，通过计算可得到训练样本的表示矩阵；4)使用3)中得到表示矩阵来重构测试样本，得到测试样本的重构图像，这里称之为重构后的测试样本；5)用重构后的测试样本与原始测试样本的残差做分类算法。2.根据权利要求1所述的一种基于非负稀疏的鉴别性低秩表示分类方法，其特征是，步骤1)中，AR人脸库中有120类样本，每类26张人脸图像，每类随机抽取7个干净的样本，1个戴眼镜的样本、一个戴围巾的样本作为训练样本，人脸库的剩余部分作为测试样本。3.根据权利要求2所述的一种基于非负稀疏的鉴别性低秩表示分类方法，其特征是，步骤2)中，假设有c类人脸的训练样本矩阵D＝[D1,D2,…DC]，其中Di表示第i类的样本，A＝[A1,A2,…Ak]代表测试样本；一个测试样本ai可以近似表示为训练样本D的线性组合，即ai＝Dzi，其中zi是ai的表示系数向量；矩阵形式如下：A＝DZ，其中Z＝[z1,z2,…z...

【专利技术属性】
技术研发人员：陈才扣，侯谢炼，李经善，
申请(专利权)人：扬州大学，
类型：发明
国别省市：江苏,32