【技术实现步骤摘要】
基于鲁棒鉴别特征学习的图像特征提取方法
本专利技术涉及图像特征提取
，尤其涉及基于鲁棒鉴别特征学习的图像特征提取方法。
技术介绍
人脸识别是模式识别和机器学习中最热门的领域之一，广泛用于门禁系统、安保系统、电子支付等领域。但是，通过机器采集的数据往往包含大量的噪声和冗余信息，因此，有必要对人脸图像数据进行特征提取。特征提取在图像处理和模式识别中处理“维数灾难”和减少计算负担发挥着重要的作用。特征提取中最经典的两种方法是主成分分析法(PrincipalComponentAnalysis,简称PCA)和线性判别分析法(LinearDiscriminantAnalysis,简称LDA)，但是这两种方法及其变形算法大都存在以下两大缺点：(1)其目标函数是基于L2范数最大化度量准则进行定义的，极其容易受异常值和噪声的影响；(2)它们所提取的特征是所有原始特征的线性组合，难以有效区分有用信息与无用信息。针对以上两个问题，国内外学者们做了以下工作。首先，为了克服模型对噪声和异常值敏感的问题，国内外学者提出用L2范数代替范数的...
【技术保护点】
1.基于鲁棒鉴别特征学习的图像特征提取方法，其特征在于，包括步骤：/nS1.对人脸图像样本集进行聚类处理；/nS2.利用L
【技术特征摘要】
1.基于鲁棒鉴别特征学习的图像特征提取方法，其特征在于，包括步骤：
S1.对人脸图像样本集进行聚类处理；
S2.利用L2,1范数准则对聚类后的人脸图像样本集构建数据矩阵，所述数据矩阵包括类内数据矩阵、类内对角矩阵、类间数据矩阵、类间对角矩阵和投影对角矩阵，并在所述类间数据矩阵中引入加权参数；
S3.以最大化类间散度矩阵、最小化类内散度矩阵为目的，基于迭代思想，构建提取图像特征的始目标函数；
S4.用所述数据矩阵对所述始目标函数进行求解，得到终目标函数。
2.如权利要求1所述的基于鲁棒鉴别特征学习的图像特征提取方法，其特征在于，所述步骤S1具体包括步骤：
S11.求解每类人脸图像样本的样本中心；
S12.求解每一人脸图像样本与其所在图像类别的样本中心之间的相似度权值；
S13.对每一人脸图像样本赋予其相似度权值。
3.如权利要求2所述的基于鲁棒鉴别特征学习的图像特征提取方法，其特征在于：
所述步骤S11根据下式(1)求解每类人脸图像样本的样本中心：
其中，x′ij代表人脸图像样本集中第i类人脸图像样本中的第j个人脸图像样本，是第i人脸图像样本的样本中心，Ni是第i类人脸图像样本的个数；
所述步骤S12根据下式(2)求解每一人脸图像样本与其所在图像类别的样本中心之间的相似度权值：
所述步骤S13通过下式(3)对每一人脸图像样本赋予其相似度权值：
其中，xij代表被赋予了相似度权值的第i类人脸图像样本中的第j个人脸图像样本。
4.如权利要求3所述的基于鲁棒鉴别特征学习的图像特征提取方法，其特征在于：
所述步骤S2采用下式(4)构建类内数据矩阵Xwithin：
其中，xij(i＝1,2,...,C；j＝1,2,...,NC)代表被赋予了相似度权值的第i类人脸图像样本中的第j个人脸图像样本，C代表样本类别数，Ni(i＝1,2,...,C)代表各样本类别中的样本数，代表被赋予了相似度权值的第i类人脸图像样本的样本中心；
所述步骤S2采用下式(5)构建类内对角矩阵Dwithin：
其中，α是判断任一人脸图像样本是异常样本的判定阈值，B代表投影矩阵；
所述步骤S2采用下式(6)构建类间数据矩阵Xbetween：
其中，是加权参数，E是经验参数；
所述步骤S2采用下式(7)构建类间对角矩阵Dbetween：
所述步骤S2采用下式(8)构建投影对角矩阵DB：
其中，bi.代表投影矩阵B的第i行元素。
5.如权利要求4所述的基于鲁棒鉴别特征学习的图像特征提取方法，其特征在于，...
【专利技术属性】
技术研发人员：钟慧，张召涛，张雪，易鹏飞，殷家敏，王郑兴，
申请(专利权)人：国网重庆市电力公司长寿供电分公司，
类型：发明
国别省市：重庆;50
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。