一种基于融合核的线性核化特征空间成组性的建模方法技术

本发明专利技术提供一种基于融合核的线性核化特征空间成组性的建模方法，包括给定训练样本，并根据预定概率分布函数，从训练样本中采样多个样本信号来形成约化矩阵；确定欧几里德和余弦距离测度的融合核函数并与

【技术实现步骤摘要】
一种基于融合核的线性核化特征空间成组性的建模方法
本专利技术涉及人脸识别
和计算机
，尤其涉及一种基于融合核的线性核化特征空间成组性的建模方法。
技术介绍
人脸辨识是指在一个多摄像机组成的系统中，对不同摄像机视角下的人物图像进行匹配的问题。它对于人物身份、行为等不同方面的分析提供了关键性帮助，并发展成为智能视频监控领域的关键组成部分。目前，人脸辨识主要的方法可以分为以下两类：1)基于特征表示的人脸辨识方法；2)基于度量学习的人脸辨识方法。在基于特征表示的人脸辨识方法中，包括基于最常用的底层视觉特征的方法和基于语义属性特征的方法。例如，常用的底层视觉特征有颜色直方图、纹理等，具体描述为颜色直方图通过统计图像上颜色分布来描述整张图像或者其中一个小区域的颜色分布特征。虽然对于视角变化较为鲁棒，但容易受光照等亮度变换的影响，因此它通常在特定的彩色空间上提取。又如，与底层视觉特征相比，基于语义属性特征的方法具有天然的优势：语义属性对于不同监控视频下的行人外貌特征差异更为鲁棒，同一个行人在不同监控视频下，其语义属性的描述通常是不变的；语义属性和人类的理解更为接近，因此，基于语义属性的特征方法得到的结果更符合人的需求，更方便人的交互。在特征表示方法之后，如何度量不同行人图像的距离也是人脸辨识领域的关键问题之一。基于特征的方法在计算特征向量相似性时，通常采用欧式距离、余弦距离和测地距离等经典的距离函数，这些经典的距离函数未考虑样本的特性因此性能往往不好。近年来大量文献采用距离测度的方法，通过对标注样本的训练，得到一个更符合样本特性的距离函数，从而提高性能，但这些方法通过学习一个马氏形式的距离函数来实现。然而，这种方法是建立在样本分布服从高斯分布的理论假设基础之上，但现实中的样本不仅不会完美地服从高斯分布，甚至有可能严重地偏离，从而导致性能下降。另外，在实际情况中，样本规模往往远小于特征维数，从而导致度量学习中马氏距离的计算变得困难甚至不可解。因此，有必要提供一种应用于人脸辨识的新方法，克服上述现有技术存在的缺陷，使提取的特征更加能调和样本规模与特征维数的矛盾，避免SSS(小规模样本)问题，从而提升性能。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种基于融合核的线性核化特征空间成组性的建模方法，能够克服现有技术存在的缺陷，使提取的特征更加能调和样本规模与特征维数的矛盾，避免小规模样本问题，从而提升性能。为了解决上述技术问题，本专利技术实施例提供了一种基于融合核的线性核化特征空间成组性的建模方法，包括以下步骤：步骤S1、给定训练样本，并根据预定概率分布函数，从所述训练样本中采样多个样本信号来形成约化矩阵；步骤S2、确定欧几里德和余弦距离测度的融合核函数，并将所述融合核函数与方法相结合，对所述训练样本和所述约化矩阵进行核矩阵近似构造，且进一步利用秩k特征分解所述核矩阵，得到虚拟样本；步骤S3、对测试样本做类似的处理来得到虚拟测试样本，并基于虚拟训练样本可构建基于弹性网络正则化的预测模型，且进一步利用弹性网络正则化学习方法在所述虚拟训练样本上对所述预测模型进行训练，以及在所述虚拟测试样本上对所述预测模型进行测试，得到最终的预测模型。其中，所述步骤S1具体包括：给定N个训练样本根据分布函数从N个训练样本中采样c个样本信号，得到约化矩阵其中，N>c；是信号xi的表示误差；μ对应于所有样本信号的平均γ是一个标量。其中，所述步骤S2具体包括：确定欧几里德和余弦距离测度的融合核函数；其中，所述融合核函数的定义为其中，α1+α2＝1，得到所述训练样本的核矩阵和所述约化矩阵的核矩阵其中，为所选c列与c行相交的核矩阵，为由剩余N-c行和N-c列组成的核矩阵；为W的列和B的行两者的相交；采用方法，在公式中，使用C和W来构造矩阵K的近似；其中，表示伪逆；通过公式得到最终导出的k维虚拟训练样本，且进一步对测试样本通过公式进行映射，得到最终的k维虚拟测试样本ftest；其中，包含W的k个最大特征值和对应的正交特征向量实施本专利技术实施例，具有如下有益效果：本专利技术采用欧几里德和余弦距离测度的融合核来结合方法来获得虚拟样本，并利用弹性网络正则化方法来探索虚拟样本空间的成组性进行建模，从而能够克服现有技术存在的缺陷，使提取的特征更加能调和样本规模与特征维数的矛盾，避免小规模样本问题，从而提升性能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。图1为本专利技术实施例提出的一种基于融合核的线性核化特征空间成组性的建模方法的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。如图1所示，为本专利技术实施例中，提出的一种基于融合核的线性核化特征空间成组性的建模方法，用于人脸辨识、拉曼数据集识别等应用领域上，包括以下步骤：步骤S1、给定训练样本，并根据预定概率分布函数，从所述训练样本中采样多个样本信号来形成约化矩阵；步骤S2、确定欧几里德和余弦距离测度的融合核函数，并将所述融合核函数与方法相结合，对所述训练样本和所述约化矩阵进行核矩阵近似构造，且进一步利用秩k特征分解所述核矩阵，得到虚拟样本；步骤S3、将所述虚拟样本划分为虚拟训练样本和虚拟测试样本，并构建基于弹性网络正则化的预测模型，且进一步利用弹性网络正则化学习方法在所述虚拟训练样本上对所述预测模型进行训练，以及在所述虚拟测试样本上对所述预测模型进行测试，得到最终的预测模型。具体过程为，在步骤S1中，给定N个训练样本根据分布函数从N个训练样本中采样c个样本信号，得到约化矩阵其中，N>c；是信号xi的表示误差；μ对应于所有样本信号的平均γ是一个标量。在步骤S2中，引入核矩阵逼近和方法。其中，在核矩阵逼近中，设为输入信号，为输入信号对应的核矩阵。只要核满足Mercer的半正定条件，它可以被写为特征空间中映射信号之间的内积，即Ki,j＝<φ(xi),φ(xj)>,核函数对应一个简单的内积运算，即Ki,j＝<fi,fj>＝fiTfj，其中fi，fj是分别与xi和xj对应的维度为k的特征向量。因此，核矩阵K可以表达成形式为：K＝FTF＝φ(X)Tφ(X),其中k是逼近特征空间的所需的维度且k(≤rank(K)≤N)，并将F中的向量称为“虚拟样本”。这样，就可以直接使用线性学习算法对这些虚拟样本进行学习，而不是使用核矩阵K进行学习，从而得到相同的结果。而核矩阵通常是对称的正定矩阵，因此可以用特征分解来分解，如：K＝UΛUT，其中是一个对角矩阵，包含K的按降序排列的前k个特本文档来自技高网...

【技术保护点】
1.一种基于融合核的线性核化特征空间成组性的建模方法，其特征在于，包括以下步骤：/n步骤S1、给定训练样本，并根据预定概率分布函数，从所述训练样本中采样多个样本信号来形成约化矩阵；/n步骤S2、确定欧几里德和余弦距离测度的融合核函数，并将所述融合核函数与

【技术特征摘要】
1.一种基于融合核的线性核化特征空间成组性的建模方法，其特征在于，包括以下步骤：
步骤S1、给定训练样本，并根据预定概率分布函数，从所述训练样本中采样多个样本信号来形成约化矩阵；
步骤S2、确定欧几里德和余弦距离测度的融合核函数，并将所述融合核函数与方法相结合，对所述训练样本和所述约化矩阵进行核矩阵近似构造，且进一步利用秩k特征分解所述核矩阵，得到虚拟样本；
步骤S3、将所述虚拟样本划分为虚拟训练样本和虚拟测试样本，并构建基于弹性网络正则化的预测模型，且进一步利用弹性网络正则化学习方法在所述虚拟训练样本上对所述预测模型进行训练，以及在所述虚拟测试样本上对所述预测模型进行测试，得到最终的预测模型。


2.如权利要求1所述的基于融合核的线性核化特征空间成组性的建模方法，其特征在于，所述步骤S1具体包括：
给定N个训练样本

【专利技术属性】
技术研发人员：管晓春，李晗，张剑华，陈胜勇，
申请(专利权)人：温州大学，浙江工业大学，
类型：发明
国别省市：浙江;33