一种邻域先验嵌入型协同表示模式识别方法技术

本发明专利技术提出了一种邻域先验嵌入型协同表示模式识别方法，用于解决现有人脸识别方法准确率偏低、鲁棒性差、泛化能力差、小样本过拟合的技术问题。其步骤为：首先，对人脸数据库中的人脸图像进行预处理，得到训练样本和测试样本；其次，根据训练样本和测试样本获取测试样本的近邻先验信息；然后根据测试样本的近邻先验信息构建基于邻域先验嵌入型协同表示模型；最后，对基于邻域先验嵌入型协同表示模型进行求解，得到最优编码系数向量，并根据最优编码系数向量对测试样本进行分类。本发明专利技术考虑样本的局部一致性信息的重要性，把获取的测试样本的近邻先验嵌入到原有的协同表示模型中，从而提高分类器的分类准确率和鲁棒性、防止过拟合。

【技术实现步骤摘要】
一种邻域先验嵌入型协同表示模式识别方法
本专利技术涉及人脸识别
，特别是指一种邻域先验嵌入型协同表示模式识别方法。
技术介绍
人脸识别由于其在信息安全，视频监控，城市轨道交通安全等的广泛应用，已成为计算机视觉领域热门的研究课题。然而现实生活中，真实的拍摄环境比如多变的表情和光照，不同的姿势和遮挡等因素会降低面部图像的质量，使得人脸识别更加困难。另外，需求的多样性和应用场景的复杂性使得设计灵活有效的分类器变得更具挑战。人脸识别系统一般采用高质量的特征提取技术，系统的成功很大程度上取决于分类器的性能。因此，设计出功能强大的分类器对人脸识别系统的高效运行至关重要。目前已有的基于表示的分类器方法存在准确率偏低、鲁棒性差、泛化能力差、小样本过拟合等问题，尚无法对人脸做到高效精确的分类与识别。
技术实现思路
针对上述
技术介绍
中存在的缺陷，本专利技术提出了一种邻域先验嵌入型协同表示模式识别方法，解决了现有人脸识别方法存在准确率偏低、鲁棒性差、泛化能力差、小样本过拟合的技术问题。本专利技术的技术方案是这样实现的：...

【技术保护点】
1.一种邻域先验嵌入型协同表示模式识别方法，其特征在于，其步骤如下：/n步骤一、对总类别数目为K的人脸数据库中的人脸图像进行预处理，得到K类训练样本和K类测试样本；/n步骤二、根据训练样本和测试样本获取测试样本的近邻先验信息；/n步骤三、根据测试样本的近邻先验信息构建基于邻域先验嵌入型协同表示模型；/n步骤四、对基于邻域先验嵌入型协同表示模型进行求解，得到最优编码系数向量，并根据最优编码系数向量对测试样本进行分类。/n

【技术特征摘要】
1.一种邻域先验嵌入型协同表示模式识别方法，其特征在于，其步骤如下：
步骤一、对总类别数目为K的人脸数据库中的人脸图像进行预处理，得到K类训练样本和K类测试样本；
步骤二、根据训练样本和测试样本获取测试样本的近邻先验信息；
步骤三、根据测试样本的近邻先验信息构建基于邻域先验嵌入型协同表示模型；
步骤四、对基于邻域先验嵌入型协同表示模型进行求解，得到最优编码系数向量，并根据最优编码系数向量对测试样本进行分类。


2.根据权利要求1所述的邻域先验嵌入型协同表示模式识别方法，其特征在于，所述对总类别数目为K的人脸数据库中的人脸图像进行预处理，得到K类训练样本和K类测试样本的方法为：
S11、在人脸数据库中随机选择M幅人脸图像作为第一次训练样本，人脸数据库中剩余的人脸图像作为第一次测试样本；在人脸数据库中随机选取4次，得到4组K类第一次训练样本和第一次测试样本；
S12、分别将第一次训练样本和第一次测试样本中的人脸图像转化为列向量数据，得到第二次训练样本和第二次测试样本；
S13、通过主成分分析方法对第二次训练样本和第二次测试样本中的人脸图像进行降维，并对降维后的第二次训练样本和第二次测试样本中的人脸图像进行归一化处理，得到训练样本和测试样本。


3.根据权利要求1或2所述的邻域先验嵌入型协同表示模式识别方法，其特征在于，根据训练样本和测试样本获取测试样本的近邻先验信息的方法包括两种方法，分别为基于最近质心的搜索方法和基于最近子空间分类的搜索方法；
基于最近质心的搜索方法：分别计算K类训练样本的质心，根据测试样本与每类训练样本的质心的距离搜索测试样本的近邻先验信息；



其中，z表示测试样本的近邻先验信息，y表示测试样本中的测试向量，测试向量y的大小为n×1，表示第k类训练样本的质心，||·||2表示向量的2范数；
基于最近子空间分类的搜索方法：根据测试样本与每类训练样本线性组合间的距离...

【专利技术属性】
技术研发人员：李艳婷，金军委，吴怀广，赵亮，孙丽君，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：河南;41