【技术实现步骤摘要】
用于非约束人脸识别的判别稀疏保持嵌入方法
本专利技术涉及一种用于非约束人脸识别的判别稀疏保持嵌入方法，是以非约束环境下人脸识别为应用背景，进行高维人脸数据的低维映射研究，主要包括样本稀疏重构关系的优化和低维投影目标函数的改进。
技术介绍
随着互联网、传感技术的飞速发展，计算机处理的人脸图像数据越来越呈现海量、复杂的特点。因此，对海量复杂人脸数据进行有效降维，挖掘出掩藏在高维表象下有用的本质信息显得尤为重要。一方面可减少数据维度，节约存储空间，提高系统的运行效率；另一方面，又可获取数据本质特征，增强系统的表征能力。鉴于非约束环境下获取的人脸图像受光照、姿态、表情、遮挡、年龄、分辨率等多种因素混合干扰，导致高维人脸数据结构复杂、冗余度高且呈现非线性分布。因此，传统的线性降维方法(如PCA、LDA等)不能有效处理这种在高维空间中扭曲的真实数据，有时甚至会削弱和破坏高维数据中隐含的局部几何结构。为了有效挖掘高维数据中隐含的低维本质结构，以核学习和流形学习为代表的非线性降维方法得到广泛应用。核学习虽然在一定程度上起到了非线性降维的作用，但其本质仍是在高维的隐特征空间利用线性...
【技术保护点】
1.一种用于非约束人脸识别的判别稀疏保持嵌入方法，其特征在于：包括以下步骤，1)计算样本重构关系矩阵W＝Ww+Wb，其中，Ww为类内重构关系矩阵，Wb为类间重构关系矩阵；2)计算低维投影矩阵P，从最小化类内重构误差和最大化类间重构误差两个方面约束求解待测样本xij的最佳低维投影矩阵，则基于最大边界准则定义投影矩阵目标函数为：
【技术特征摘要】
1.一种用于非约束人脸识别的判别稀疏保持嵌入方法，其特征在于：包括以下步骤，1)计算样本重构关系矩阵W＝Ww+Wb，其中，Ww为类内重构关系矩阵，Wb为类间重构关系矩阵；2)计算低维投影矩阵P，从最小化类内重构误差和最大化类间重构误差两个方面约束求解待测样本xij的最佳低维投影矩阵，则基于最大边界准则定义投影矩阵目标函数为：这里约束PTP＝I，使投影矩阵P单位正交，I为单位矩阵，T表示矩阵转置；将最小化低维空间类内散度Sw和最大化低维空间类间散度Sb的矩阵表达式带入目标函数中，由拉格朗日乘子法得到目标方程这里Mb＝I-Wb-(Wb)T+(Wb)TWb，由类间重构关系矩阵Wb表示，I为单位矩阵；同理Mw＝I-Ww-(Ww)T+(Ww)TWw，由类内重构关系矩阵Ww表示，定义全局类内紧凑矩阵Xw表示为Xi是第i类样本子集，是第i类样本子集的均值矩阵；定义全局类间离散矩阵Xb表示为是所有样本的均值矩阵，是第i类样本子集的均值矩阵，λ为拉格朗日参数，T表示矩阵转置；选取前d个最大特征值对应的特征向量，构成最佳低维映射矩阵Popt＝[p1,p2...,pd]；3)实现高维样本数据的低维线性映射：2.如权利要求1所述的用于非约束人脸识别的判别稀疏保持嵌入方法，其特征在于：计算样本重构关系矩阵W，具体为，设训练样本集X由c类样本子集X1,X2,...,Xc组成，这里m,n表示图像的大小，N为图像个数，R表示实数集，假设第k类有nk个样本，则满足共N个训练样本，任意样本xij描述为第i类的第j个样本，从方面①与方面②两个方面分别求解xij与其他样本包括同类样本与异类样本的重构关系。3.如权利要求2所述的用于非约束人脸识别的判别稀疏保持嵌入方法，其特征在于：方面①，分析待测样本xij与同类样本的重构关系，构建类内重构关系矩阵Ww，目标函数如下：这里，定义e＝[1,1,...,1]T∈RN×1为单位向量，eT表示单位向量转置，约束样本xij由字典稀疏表示的权重和为1；F为Frobenius范数，定义为λ1和λ2为稀疏约束比例参数，调节λ1和λ2可以使目标函数达到最优；其中，l(xij)表示样本xij的类别标签，l(xij)取值1,2,...,c中任意值；定义为类内字典，由与xij相同类别且不包括xij的训练样本组成，表示为为第l(xij)类样本的个数；根据目标函数(4)，优化得到样本xij的类内稀疏表示系数约束样本xij由类内字典稀疏表示的权重和为1，是与xij同类样本的稀疏表示系数的平均值，最小化可以使样本的类内稀疏表示系数接近中心值，增强待测样本与同类样本的紧凑度；为了降低计算复杂度，首先初始化均值向量为零向量，优化求解同类所有样本的然后计算平均值最后带入式(4)，根据最小二乘法分析得到解析式(5)，由此计算得到最佳类内稀疏表示系数因此，得到测样本xij...
【专利技术属性】
技术研发人员：童莹，田亚娜，陈瑞，曹雪虹，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。