【技术实现步骤摘要】
基于加权张量稀疏图映射的非约束人脸识别方法
本专利技术涉及人脸识别方法的
,尤其涉及基于加权张量稀疏图映射的非约束人脸识别方法的
技术介绍
随着移动互联网、电子传感技术、机器学习理论的飞速发展,实时采集人脸图像进行身份认证、视频监控和人机交互已成为人工智能在实际工作生活中的一个重要应用。由于真实环境中采集的人脸数据受光照、姿态、表情、遮挡、年龄、分辨率等多种因素混合干扰,导致人脸图像呈现多样性,在高维空间中呈现出高度复杂的非线性分布。因此,如何对高维海量的非约束人脸数据进行有效降维显得尤为重要。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,又可获取数据的准确判别特征,增强系统的判别能力。以主成分分析(PrincipleComponentsAnalysis,PCA)、线性鉴别分析(LinearDiscriminantAnalysis,LDA)、边界Fisher分析(MarginalFisherAnalysis,MFA)等为代表的经典降维方法,由于其数学描述性强、计算代价小等特点,一直受到学者们的广泛关注。但该类方法受全局线性可分条件的限制,不能有效处理高维空间中高度复杂分布的非线性数据。因此,广大学者提出采用基于核函数的方法和流形学习的方法进行数据非线性降维。核函数方法的本质是采用核函数映射原始数据到高维空间后再进行线性划分,这类方法中起关键作用的核函数的选择机制和意义并不明确,限制了其在数据降维中的发展。因此,以等距映射(IsometricMapping,ISOMAP)、 ...
【技术保护点】
1.一种基于加权张量稀疏图映射的非约束人脸识别方法,其特征在于包括如下步骤:/n步骤S1,首先,在稀疏图构建阶段,将训练样本用二阶张量表示,引入类别标签,构建监督超完备张量字典,优化求解样本的同类稀疏重构系数;并且在此基础上,增加类内紧凑约束,用以增强同类非近邻样本间的重构关系,并以距离权值进一步表征同类样本间的类内差异,自适应构建张量稀疏近邻图;/n步骤S2,其次,在双边低维投影阶段,增加了全局约束因子,利用样本全局分布中隐含的鉴别信息获取低维张量子空间分布;/n步骤S3,最后,采用最优WTSGE双边投影矩阵U和V对待测样本y进行低维映射y
【技术特征摘要】
1.一种基于加权张量稀疏图映射的非约束人脸识别方法,其特征在于包括如下步骤:
步骤S1,首先,在稀疏图构建阶段,将训练样本用二阶张量表示,引入类别标签,构建监督超完备张量字典,优化求解样本的同类稀疏重构系数;并且在此基础上,增加类内紧凑约束,用以增强同类非近邻样本间的重构关系,并以距离权值进一步表征同类样本间的类内差异,自适应构建张量稀疏近邻图;
步骤S2,其次,在双边低维投影阶段,增加了全局约束因子,利用样本全局分布中隐含的鉴别信息获取低维张量子空间分布;
步骤S3,最后,采用最优WTSGE双边投影矩阵U和V对待测样本y进行低维映射yWTSGE=UTyV,用低维训练样本DWTSGE=UTXV训练分类器,在低维张量子空间中实现非约束人脸的准确身份鉴别。
2.根据权利要求1所述的基于加权张量稀疏图映射的非约束人脸识别方法,其特征在于上述步骤S1具体包括如下步骤:
给定二阶张量数据集其中,表示第k类样本子集的第i个样本;数据集共有C个类别,由N个人脸图像组成,nk表示第k类子集的样本数,得到引入类别标签和类内紧凑度约束,优化求解待测张量样本的类内稀疏重构系数目标函数如下:
上式中,第一部分为类内样本重构误差项;定义类内超完备张量字典表示除样本外的剩余同类样本子集,最小化旨在用同类样本尽可能近似逼近待测样本
第二部分为类内重构系数紧致项;定义Φk为类内紧凑度约束因子,记为与同类的所有样本的类内稀疏重构系数的平均值,最小化可以使同类样本的稀疏重构系数接近中心值,增强待测样本与同类非近邻样本的重构关系;
第三部分是具有距离权值约束的稀疏重构系数正则项;定义距离权值向量由待测样本与同类其它样本间的距离权值组成;当待测样本与同类其它样本差异度越大时,距离权值越大,则稀疏约束正则项得到的重构系数越小,以此构建的稀疏近邻图能够更准确表征与同类其它样本间的类内差异;
这里,定义三种距离权值公式:
式(2)为线性函数,式(3)为指数函数,式(4)为logistic函数,选择式(4)计算块样本的距离权值;
然后,依据目标函数(1)分别计算C个样本子集中同类样本的类内稀疏重构系数构建样本子集Xk的类内重构关系矩阵由此得到样本集X=[X1,X2,...,XC]的近邻权值矩阵W∈RN×N,以及WTSGE的稀疏近邻图G={X,W};
W=diag(Θ1,Θ2,...,ΘC)(5)
其中,近邻关系矩阵W∈...
【专利技术属性】
技术研发人员:童莹,陈瑞,曹雪虹,芮雄丽,齐宇霄,
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。