基于鲁棒性自适应图结构学习算法的人脸识别方法技术

本发明专利技术公开了一种基于鲁棒性自适应图结构学习算法的人脸识别方法，将鲁棒性的自适应图结构学习算法应用在人脸识别任务中，其中的鲁棒性的自适应图结构学习算法，不同于现有的图学习方法，提出的算法利用自表示和自适应近邻方法来挖掘数据的全局结构信息和局部结构信息。同时，为了降低噪声点对图结构的影响，本发明专利技术通过引入基于l

【技术实现步骤摘要】
基于鲁棒性自适应图结构学习算法的人脸识别方法
本专利技术公开涉及机器学习的
，尤其涉及一种基于鲁棒性自适应图结构学习算法的人脸识别方法。
技术介绍
人脸识别技术作为生物特征识别领域的一个分支，在生物、人机交互和信息安全等领域中得到了广泛的应用，同时使它成为模式识别和计算机视觉领域中一个非常重要的研究课题。尽管已有大量研究者提出了各种相关算法来提高人脸识别系统的性能，但它仍然是一个极具有挑战性的问题。这是因为真实环境下拍摄的人脸图像极其容易受到光照、年龄、姿势、面部表情和伪装等影响。而且，遮挡和噪声等因素也会影响人脸识别算法的性能。如果能够在一定的程度上克服这些因素的影响，可以使人脸识别系统更加具有鲁棒性。随着信息技术的飞速发展，大多数真实世界的数据可以通过图构建的方式来描述样本之间的相似度关系。因此，图学习在数据挖掘和机器学习领域发挥着重要的作用。近年来，研究者们提出了大量的图学习方法。其中，热核函数是一种应用最广泛的图构造方式。然而，参数的选择十分具有挑战性，将直接影响后续任务的性能。此外，上述方法通常依赖于数据，并且独立于相似度度量，导致构建的图结构对噪声十分敏感。为了解决上述问题，学者们利用稀疏表示来构建l1图或稀疏图。虽然l1图可以揭示单个点与其它点之间的线性关系，但仍然存在如下局限性。首先，l1图过度依赖于较强的假设，即重构字典要求是过完备的，而这在许多实际应用中较难满足，特别是在图学习问题中；其次，l1图仅考虑了数据稀疏性，而忽略了样本之间的相关性，无法对数据进行平滑表示。在实际应用中，研究人员发现，数据之间的关系往往呈现高维非线性特征，上述线性表示方法很难取得良好的性能。目前，许多研究者更注重揭示感兴趣数据点之间的非线性关系。例如：Yu等人发现稀疏编码的非零系数总是分配给查询样本的近邻样本。为了实现编码的局部性，Peng等人提出了局部性约束的协同表示方法，经实验验证，该方法比传统的非局部性方法取得更好的分类性能。最近，Chen等人将局部性约束和LSR相融合，设计了一种局部性约束的LSR(LCLSR)方法，并将其用于子空间聚类任务。LCLSR方法是从数据点的全局结构和局部线性关系出发，设计一种图学习目标函数，从而使得数据点的表示更倾向于邻域点的选择。虽然LCLSR考虑了数据的局部结构关系，但仍存在以下局限性：一方面，LCLSR的目标函数是基于l2范数，因此该方法对噪声敏感；另一方面，样本重构过程忽略了样本表示之间的关系，即相似的样本应该具有相似的编码表示系数，从而弱化了图学习的有效性。
技术实现思路
鉴于此，本专利技术提供了一种基于鲁棒性自适应图结构学习算法的人脸识别方法，以提升图结构的有效性，增强图学习的鲁棒性，改善图像识别的效果。本专利技术提供的技术方案，具体为，一种基于鲁棒性自适应图结构学习算法的人脸识别方法，该方法包括如下步骤：S1：获取多张人脸图像数据；S2：采用基于鲁棒性自适应图结构学习算法，计算获得所述多张人脸图像数据对应的权值矩阵W；S3：基于所述权值矩阵W对待识别的人脸图像数据进行分类，完成人脸识别；步骤S2中所述基于鲁棒性自适应图结构学习算法，具体为：其中，α和β为平衡参数；X为高维样本集，且X＝[x1,x2,...,xN]∈RD×N，N为所述高维样本集中包含的样本个数，每个样本xi的维度为D；W＝(XTGX+αQ+βL)-1XTGX；Lt+1＝Dt+1-Rt+1；||·||2,1表示矩阵的l2,1范数，||·||2表示为矩阵的l2范数，ε表示一个非常小的非负常数，wi和wj分别为xi和xj的重构稀疏系数，sij表示样本xi和xj的相似性权值，D为对角矩阵，其对角元素为优选，所述基于鲁棒性自适应图结构学习算法中，α和β的取值均为0.1-1。进一步优选，步骤S2：采用基于鲁棒性自适应图结构学习算法，计算获得所述多张人脸图像数据对应的权值矩阵W，具体为：S201：输入人脸图像数据矩阵X＝[x1,x2,...,xN]，迭代次数T＝30，以及两个平衡参数α和β；S202：初始化时，Gt和Qt均为单位矩阵，W为随机矩阵，t＝1；S203：计算所述输入人脸图像数据矩阵的相似矩阵S；S204：更新矩阵S205：计算矩阵和拉普拉斯矩阵Lt+1＝Dt+1-Rt+1；S206：更新矩阵Wt+1＝(XTGtX+αQt+βLt+1)-1XTGtX；S207：更新矩阵S208：更新矩阵S208：令t＝t+1，重复步骤S204-步骤S208，直至收敛，此时，对应的权值矩阵W为求得的权值矩阵W。进一步优选，步骤S3：基于所述权值矩阵W对待识别的人脸图像数据进行分类，完成人脸识别，具体为：S301：在所述权值矩阵W的基础上，采用局部保持投影的方法将待识别的人脸图像数据进行降维；S302：利用最近邻分类器，对降维后的人脸图像数据进行分类，完成人脸识别。进一步优选，步骤S301：在所述权值矩阵W的基础上，采用局部保持投影的方法将待识别的人脸图像数据进行降维，具体为：利用公式y＝PTx，将高维的待识别的人脸图像数据x降为低维y；其中，XLXTp＝λXDXTp，X为待识别的人脸图像数据，L＝D-W是一个拉普拉斯矩阵，D为对角矩阵，其对角元素为λ为求解出特征向量p所对应的特征值。本专利技术提供的基于鲁棒性自适应图结构学习算法的人脸识别方法，将鲁棒性的自适应图结构学习算法应用在人脸识别任务中，其中的鲁棒性的自适应图结构学习算法，不同于现有的图学习方法，提出的算法利用自表示和自适应近邻方法来挖掘数据的全局结构信息和局部结构信息。同时，为了降低噪声点对图结构的影响，本专利技术通过引入基于l2,1范数的流形约束来提高算法对噪声的鲁棒性，以达到鲁棒性的图构建目的。本专利技术提供的基于鲁棒性自适应图结构学习算法的人脸识别方法，充分地挖掘了数据的局部结构信息和全局结构信息，提升了图结构的有效性；同时，将基于l2,1范数的流形约束引入到图学习过程中，增强了图学习的鲁棒性，改善识别效果。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术的公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1四个标准的人脸图像数据库中的部分人脸图像示例，其中，(a)Yale数据库，(b)AR数据库，(c)CMUPIE数据库，(d)ExtendedYaleB数据库；图2本实施方案在不同数据库和不同参数取值情况下的分类准确率直方图，其中，(a)Yale本文档来自技高网...

【技术保护点】
1.一种基于鲁棒性自适应图结构学习算法的人脸识别方法，其特征在于，包括如下步骤：/nS1：获取多张人脸图像数据；/nS2：采用基于鲁棒性自适应图结构学习算法，计算获得所述多张人脸图像数据对应的权值矩阵W；/nS3：基于所述权值矩阵W对待识别的人脸图像数据进行分类，完成人脸识别；/n步骤S2中所述基于鲁棒性自适应图结构学习算法，具体为：/n

【技术特征摘要】
1.一种基于鲁棒性自适应图结构学习算法的人脸识别方法，其特征在于，包括如下步骤：
S1：获取多张人脸图像数据；
S2：采用基于鲁棒性自适应图结构学习算法，计算获得所述多张人脸图像数据对应的权值矩阵W；
S3：基于所述权值矩阵W对待识别的人脸图像数据进行分类，完成人脸识别；
步骤S2中所述基于鲁棒性自适应图结构学习算法，具体为：



其中，α和β为平衡参数；X为高维样本集，且X＝[x1,x2,...,xN]∈RD×N,N为所述高维样本集中包含的样本个数，每个样本xi的维度为D；
W＝(XTGX+αQ+βL)-1XTGX；






Lt+1＝Dt+1-Rt+1；



||·||2,1表示矩阵的l2,1范数，||·||2表示为矩阵的l2范数，ε表示一个非常小的非负常数，wi和wj分别为xi和xj的重构稀疏系数，sij表示样本xi和xj的相似性权值，D为对角矩阵，其对角元素为


2.根据权利要求1所述基于鲁棒性自适应图结构学习算法的人脸识别方法，其特征在于，所述基于鲁棒性自适应图结构学习算法中，α和β的取值均为0.1-1。


3.根据权利要求1所述基于鲁棒性自适应图结构学习算法的人脸识别方法，其特征在于，步骤S2：采用基于鲁棒性自适应图结构学习算法，计算获得所述多张人脸图像数据对应的权值矩阵W，具体为：
S201：输入人脸图像数据矩阵X＝[x1,x2,....

【专利技术属性】
技术研发人员：周唯，易玉根，郭薇，宫照煊，彭钰涵，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：辽宁;21