基于加权张量稀疏图映射的非约束人脸识别方法技术

基于加权张量稀疏图映射的非约束人脸识别方法，涉及人脸识别方法的技术领域。在稀疏图构建阶段，将训练样本(图像)用二阶张量表示，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；自适应构建更准确的张量稀疏近邻图。在双边低维投影阶段，利用样本全局分布中隐含的鉴别信息获取的低维张量子空间分布。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)、局部线性嵌入(LocallyLinearEmbedding，LLE)、拉普拉斯特征映射(LaplacianEigenmaps，LE)等为代表的非线性流形学习方法更受青睐。这类方法符合人眼视觉感知机制，可以有效挖掘出隐藏在错综复杂的高维数据中的低维流形本质结构。He等又针对LE和LLE的隐式映射问题进行改进，在不改变原有目标函数的基础上增加线性约束条件，提出具有显式映射函数的局部保持投影(LocalityPreservingProjections,LPP)算法和近邻保持嵌入(NeighborhoodPreservingEmbedding，NPE)算法，有效克服了样本外扩展问题(Out-of-SampleExtensionProblem)，使得流形学习在高维、海量、复杂数据中的降维应用成为可能。大量有效的改进算法也被陆续提出，例如，指数判别局部保持投影(ExponentialDiscriminantLocalityPreservingProjection,EDLPP)、快速正交局部保持投影(FastandOrthogonalLPP,FOLPP)、监督近邻保持嵌入(SupervisedNPE,SNPE)、UDP等等。分析发现，上述以PCA、LDA为代表的线性降维方法，以及以LPP、NPE为代表的非线性降维方法，它们的基本思想均是在最大程度保留高维数据内在本质结构的基础上，实现数据在向量空间的低维表示。虽然在消除数据冗余，提取判别特征方面取得了长足进步，但仍存在以下三个方面问题：(1)在降维过程中，将本质上非向量表示数据(如图像、视频等)强制转换为一维向量表示，会破坏数据本身的内部空间结构，不利于获取数据的低维本质特征。(2)将图像、视频等多维非向量数据转换为一维向量表示后，会形成高维向量空间。在求解该空间低维投影矩阵时，需计算高维矩阵特征值，导致算法计算复杂度增加，产生维数灾难问题。(3)高维向量空间的样本数常常小于空间维数，求解低维投影矩阵时会出现奇异值问题。为解决这一问题，通常先用PCA方法降低向量空间维度，这在一定程度上又会丢失数据的某些有用判别信息。
技术实现思路
本专利技术目的是提供一种基于非约束人脸识别的加权张量稀疏图映射方法，充分考虑非约束人脸图像数据的复杂性，用稀疏表示技术自适应获取高维张量数据的近邻分布图，使稀疏近邻图更能准备描述真实数据的空间分布，可以有效提取出高度扭曲的非约束人脸数据的低维流形本质特征，大大提高了非约束人脸识别的准确性。一种基于加权张量稀疏图映射(WeightedTensorSparseGraphEmbedding,WTSGE)的非约束人脸识别方法，首先，在稀疏图构建阶段，将训练样本(图像)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(近邻)关系，并以距离权值进一步表征同类样本间的类内差异，自适应构建更准确的张量稀疏近邻图。其次，在双边低维投影阶段，又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使获取的低维张量子空间分布更判别、更紧致。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。本专利技术采用上述技术方案，与现有技术相比具有如下优点：(1)将数据用张量表示，克服了基于向量表示降维的维数灾难和小样本问题，并且也能保留数据的内部结构信息，使高维空间中样本更接近真实分布，更有利于获取准确的低维投影矩阵；(2)用稀疏表示技术自适应获取高维张量数据的近邻分布图，克服了基于张量表示多维投影技术中预先定义近邻图的弊端；(3)在WTSGE稀疏近邻图构建阶段，一方面，增加类内紧凑约束，用以增强同类非近邻块样本间的重构(近邻)关系，另一方面，又增加距离权值约束，用以进一步表征同类样本间的类内差异，使稀疏近邻图更能准备描述真实数据的空间分布。(4)在WTSGE双边低维投影阶段，增加全局约束因子，利用样本全局分布中隐含的鉴别信息，进一步降低异类伪近邻块样本对投影矩阵的影响，使双边低维投影矩阵更准确。(5)通过稀疏近邻图构建和双边低维投影的改进，WTSGE算法可以有效提取出高度扭曲的非约束人脸数据的低维流形本质特征，大大提高了非约束人脸识别的准确性。附图说明图1是本专利技术的流程示意图。图2是分别采用线性函数、指数函数、logistic函数的曲线分布图。图3是本专利技术LFW数据库中某一样本子集。图4(a)是无类内紧凑度约束、无距离权值约束的样本重构权值示意图。图4(b)是有类内紧凑度约束、无距离权值约束的样本重构权值示意图。图4(c)是有类内紧凑度约束、有距离权值约束的样本重构权值示意图。图5(a)是AR数据库部分样本图像。图5(b)是ExtendedYaleB数据库部分样本图像。图5(c)是LFW数据库部分样本图像。图5(d)是PubFig数据库部分样本图像。具体实施方式本专利技术提出一种新的加权张量稀疏图映射(WeightedTensorSparseGraphEmbedding,WTSGE)算法，将稀疏表示、张量表示和多维投影技术相结合，实现流程如图1所示。首先，在稀疏图本文档来自技高网...

【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