【技术实现步骤摘要】
基于虚拟样本和协同表示的人脸特征提取方法
本专利技术属于图像处理
，具体涉及结合增加的虚拟样本和协同表示的人脸特征提取方法。
技术介绍
随着人工智能大数据技术的飞速发展，人们对国家公共安全、社会信息安全开始有着更高的要求。人脸识别技术也应用而生，其人脸独特的生物学特性，被广泛用于身份认证的重要场合。在真实的人脸识别系统中，由于人脸图像采集过程中受环境干扰较大，将会损害图像的质量和数量，使得人脸识别成为小样本问题。人脸图像通常具有较高的维度，包含太多冗余信息，最终导致稳定执行分类存在一定困难。经典的无监督特征提取技术，如PCA用于流行学习时线性地嵌入周围空间，无法发现非线性的基本数据结构。局部保持投影(LPP)是非线性LaplacianEigenmap的线性近似。邻域保留嵌入(NPE)和局部线性嵌入(LLE)是特征空间分析(LEA)的两个线性化版本；这些方法在实际应用中优于PCA，但面临选择邻域大小以及分配超参数的困难。稀疏保持投影(SPP)可以解决设置参数的问题，却忽略了不同样本中人脸数据的共性。以上的这些特征...
【技术保护点】
1.一种基于虚拟样本和协同表示的人脸特征提取方法，其特征在于它是由下述步骤组成：/n(1)图像预处理/n从Yale、FERET、Extened Yale B、ORL图像数据集中分别选取165、1400、2414、400张样本图像进行灰度值缩放为[0,1]，将所有图像裁剪成32×32或40×40的图像；/n(2)构建虚拟样本V和W/n1)确定人脸图像的初始值/n一张原始人脸图像矩阵X为：/nX＝[x
【技术特征摘要】
1.一种基于虚拟样本和协同表示的人脸特征提取方法，其特征在于它是由下述步骤组成：
(1)图像预处理
从Yale、FERET、ExtenedYaleB、ORL图像数据集中分别选取165、1400、2414、400张样本图像进行灰度值缩放为[0,1]，将所有图像裁剪成32×32或40×40的图像；
(2)构建虚拟样本V和W
1)确定人脸图像的初始值
一张原始人脸图像矩阵X为：
X＝[x1,...,xN/2,xN/2+1,...,xN]；
式中N为图像矩阵X的列数，xj为图像矩阵X的每一列，j∈[1,N]，其中N为偶数；
按下式分别确定一张人脸图像的左半脸列向量v的初始值v0和右半脸列向量w的初始值w0：
将一张人脸图像的左半脸列向量v反转得到v′和右半脸列向量w反转得到w′，按下式分别确定一张人脸图像的左半脸列向量反转v′的初始值(v′)0和右半脸列向量反转w′的初始值(w′)0：
2)设定目标函数f(v,w′)
采用梯度下降法构建第一个虚拟样本V如下：
vt+1＝vt-η[vt-(w′)t](2)
(w′)t+1＝(w′)t-η[(w′)t-vt](3)
式中t为迭代次数，且t为有限的正整数，η为学习率；
将左半脸列向量v单独执行3次连续迭代，在左半脸列向量v与右半脸列向量反转w′之间互相迭代，连接v和w′确定第一个对称的虚拟脸V1，对于整个数据集，得到K张图像所有的第一个虚拟样本V为：
V＝[V1,V2,...,VK]；
式中K为图像数据集中的样本总数；
3)设定目标函数f(v′,w)
采用梯度下降法构建第二个虚拟样本W如下：
wt+1＝wt-η[wt-(v′)t](5)
(v′)t+1＝(v′)t-η[(v′)t-wt](6)
将右半脸列向量w单独执行3次连续迭代，在左半脸列向量反转v′与右半脸列向量w之间互相迭代，连接v′和w确定第二个对称的虚拟脸W1，对于整个数据集，得到K张图像所有的第二个虚拟样本W为：
W＝[W1,W2,...,WK]；
迭代更新终止条件为||vt-(w′)t||＜ε和||(v′)t-(w)t||＜ε，ε为0.01；
(3)划分数据集
将Yale、FERET、ExtenedYaleB、ORL图像数据集的每一张图像扩充为3张图像，从Yale、FERET、ExtenedYaleB、ORL图像数据集的每一类中分别选取18、12、96、15张图像作为训练样本，剩余的图像作为测试样本；
(4)确定字典B
设置一组训练样本其中Xi为m维列向量，Xi∈Rm且n<K，添加对应的虚拟样本V和W到每个人脸图像集合中，确定字典B：
B＝[B1,B2,...,Bn]
式中Bi为3m维的列向量；
(5)确定协同重构权向量ri
用岭回归方法确定协同重构权向量ri：
式中λ0为正则化参数，λ0∈[1×10-4,1×10-...
【专利技术属性】
技术研发人员：彭亚丽，王旭宁，张军伟，刘侍刚，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西;61
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。