一种人脸图像重构方法、系统及数据降维方法技术方案

本发明专利技术涉及一种人脸图像重构方法、系统及数据降维方法，图像重构方法包括：首先基于样本向量、重构变换矩阵、变换矩阵、特征值回归系数矩阵、坐标基和编码矩阵计算权重矩阵；其次利用权重矩阵更新坐标基、编码矩阵E、新变换矩阵和重构变换矩阵；当满足终止条件时，将更新后的重构变换矩阵中各特征向量进行排序，选取前d个最大特征向量构建最优特征子集；最后利用最优特征子集对待测试样本图像进行图像去噪以及人脸重构，获得人脸图像。本发明专利技术公开的图像重构方法具有更好判别性能和鲁棒性能，特别是在含有噪声的人脸图像识别上具有更高的识别率。另外本发明专利技术公开的数据降维方法能够针对图像数据、视频数据、文档数据或网站数据进行数据降维。行数据降维。行数据降维。

【技术实现步骤摘要】
一种人脸图像重构方法、系统及数据降维方法


[0001]本专利技术涉及数据及图像处理
，特别是涉及一种人脸图像重构方法、系统及数据降维方法。

技术介绍

[0002]随着生物科学和信息技术的飞速发展，数据挖掘、机器学习、计算机视觉和生物信息学等领域的数据维数呈爆炸式增长。如果直接使用这些高维数据，学习任务中不重要的数据特征会导致计算复杂度的增加和学习任务性能的严重下降，还会干扰算法对数据本质结构的提取。实际上，并不是数据的所有特征都与学习任务有关或对学习任务有重要影响，很多特征往往是不相关、冗余的，有些甚至是噪声特征。因此如何对高维数据进行有针对的预处理成为一个重要的研究领域。
[0003]对高维数据的处理方式通常是创造一个能够反映数据本质结构的低维结构，在该思路下有两个不同的研究方向，分别是特征选择和特征提取(子空间学习)。特征提取是将原始数据映射到低维空间，该低维空间能够反映数据的本质结构特征。特征提取不是简单直接选取原始数据的特征形成新的特征子集，而是按照一定策略对数据进行空间变换所得到的，因此在良好的变换策略下，特征提取方法能够保证降维质量的同时，提取出数据的低维流行结构，有效排除噪声和离群点的影响。
[0004]而特征选择是从原始特征集中选择相关特征子集的过程。特征选择根据是否利用数据的标签信息，分为有监督特征选择和无监督特征选择两种方法。有监督特征选择利用数据带有的标签信息引导模型优化的方向，选择能够代表数据的特征子集。有监督特征选择通常先进行模型训练以优化参数，再测试模型。由于数据标签信息的引入，有监督特征选择方法的测试结果一般优于无监督特征选择的结果。然而，在实际应用中，获取数据的标签信息需要高昂的成本，因此无监督特征选择方法具有更广泛的应用领域。
[0005]许多无监督特征选择方法被提出寻找最优特征子集。拉普拉斯分数(Laplacian Score，LS)通过计算不同特征间局部相关度来度量特征的重要度。多簇特征选择(Multi
‑
Cluster Feature Selection，MCFS)利用谱分析理论，保留数据的多簇结构并考虑特征之间的相关性，选择最优特征子集。LS和MCFS在选择特征子集时都考虑了特征之间的相关性，因此比传统忽略特征之间相关性的特征选择方法能得出更优的结果。随后，特征选择算法关注利用数据集的判别信息(伪标签)引导特征选择过程的优化。无监督判别特征选择(Unsupervised Discriminative Feature Selection，UDFS)通过对特征权重矩阵限制来获得数据局部判别信息。非负判别特征选择(Nonnegative Discriminative Feature Selection，NDFS通过对数据进行谱聚类获得伪标签，也就是数据的判别信息，用来优化特征选择。Han等人提出的同步垂直基聚类特征选择(Simultaneous Orthogonal basis Clustering Feature Selection，SOCFS)，将垂直基聚类和特征选择两个过程整合到目标方程中的一项式子，垂直基聚类过程与特征选择过程同步进行，通过垂直基聚类产生的伪标签获得数据的判别信息，进而提高特征选择的效果。
[0006]以上提出的特征选择方法没有考虑数据含有大量噪声特征的情况。在数据质量低下的情况，如果直接在原始数据集上进行特征选择，那么噪声特征和离群样本点可能会干扰特征选择算法寻找出最有效的特征子集，从而导致算法性能的低下。
[0007]随后鲁棒特征选择算法考虑噪声特征对数据的影响，增强算法对噪声的鲁棒性。鲁棒无监督特征选择(Robust Unsupervised Feature Selection，RUFS)提出了局部学习正则化鲁棒非负矩阵分解方法产生聚类伪标签，并用范数增强算法对离群点和噪声的鲁棒性。鲁棒谱学习无监督特征选择(Robust Spectral learning for unsupervised Feature Selection，RSFS)提出了鲁棒图嵌入过程(伪标签)和鲁棒谱回归过程相结合的特征选择算法，增强对算法对噪声和离群点鲁棒性。最近，Yi等人提出自适应权重稀疏主成分分析(Adaptive Weighted Sparse Principal Component Analysis，AW
‑
SPCA)，该算法将特征选择和特征提取结合在一起，关注原始数据进行变换后得到的重构数据，以增强算法在污染严重数据上的表现。
[0008]特征选择在原始数据上选择特征子集，可以较为完整的保留数据信息，反映数据的性质，具有较好可解释性，但如果原数据受到噪声污染，那么特征选择算法准确率将大幅降低。

技术实现思路

[0009]本专利技术的目的是提供一种人脸图像重构方法、系统及数据降维方法，以提高人脸图像提取的精度以及数据降维的准确率。
[0010]为实现上述目的，本专利技术提供了一种人脸图像重构方法，所述方法包括：
[0011]步骤S1：将原始图像数据切割成样本向量X；
[0012]步骤S2：初始化重构变换矩阵W为单位矩阵，变换矩阵Q为单位矩阵，特征值回归系数矩阵A为单位矩阵，坐标基B为单位矩阵，编码矩阵E为单位矩阵；
[0013]步骤S3：基于样本向量X、重构变换矩阵W、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算权重矩阵P；
[0014]步骤S4：利用权重矩阵P更新坐标基B、编码矩阵E、新变换矩阵Q和重构变换矩阵W；
[0015]步骤S5：判断是否满足终止条件；如果满足终止条件，则执行“步骤S6”；如果不满足终止条件，则返回“步骤S3”；
[0016]步骤S6：将更新后的重构变换矩阵中各特征向量进行排序，选取前d个最大特征向量构建最优特征子集W
′
；d为大于或等于1的正整数；
[0017]步骤S7：利用最优特征子集W
′
对待测试样本图像进行图像去噪以及人脸重构，获得人脸图像。
[0018]可选地，所述终止条件包括：
[0019]迭代次数达到设定次数；
[0020]或相邻两次迭代得到的目标值J的差值ΔJ小于设定阈值。
[0021]可选地，所述基于样本向量X、重构变换矩阵W、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算权重矩阵P，具体包括：
[0022]步骤S31：采用数据自表示方法，基于样本向量X、重构变换矩阵W、变换矩阵Q和特征值回归系数矩阵A计算最小化的重构误差矩阵G；G＝[g1,g2,
…
g
n
]T
，g
n
表示第n个样本的重
构误差；
[0023]或步骤S31：采用垂直基聚类特征选择方法，基于样本向量X、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算最小化的重构误差矩阵G；
[0024]步骤S32：根据计算权重矩阵P；其中，P＝[p1,p2,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸图像重构方法，其特征在于，所述方法包括：步骤S1：将原始图像数据切割成样本向量X；步骤S2：初始化重构变换矩阵W为单位矩阵，变换矩阵Q为单位矩阵，特征值回归系数矩阵A为单位矩阵，坐标基B为单位矩阵，编码矩阵E为单位矩阵；步骤S3：基于样本向量X、重构变换矩阵W、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算权重矩阵P；步骤S4：利用权重矩阵P更新坐标基B、编码矩阵E、新变换矩阵Q和重构变换矩阵W；步骤S5：判断是否满足终止条件；如果满足终止条件，则执行“步骤S6”；如果不满足终止条件，则返回“步骤S3”；步骤S6：将更新后的重构变换矩阵中各特征向量进行排序，选取前d个最大特征向量构建最优特征子集W
′
；d为大于或等于1的正整数；步骤S7：利用最优特征子集W
′
对待测试样本图像进行图像去噪以及人脸重构，获得人脸图像。2.根据权利要求1所述的人脸图像重构方法，其特征在于，所述终止条件包括：迭代次数达到设定次数；或相邻两次迭代得到的目标值J的差值ΔJ小于设定阈值。3.根据权利要求1所述的人脸图像重构方法，其特征在于，所述基于样本向量X、重构变换矩阵W、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算权重矩阵P，具体包括：步骤S31：采用数据自表示方法，基于样本向量X、重构变换矩阵W、变换矩阵Q和特征值回归系数矩阵A计算最小化的重构误差矩阵G；G＝[g1,g2,
…
g
n
]
T
，g
n
表示第n个样本的重构误差；或步骤S31：采用垂直基聚类特征选择方法，基于样本向量X、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算最小化的重构误差矩阵G；步骤S32：根据计算权重矩阵P；其中，P＝[p1,p2,
…
p
n
]
T
，p
n
表示第n个重构误差对应的权重，(
·
)
+
表示max(
·
,0)，c表示激活样本个数，i＝1,2,
…
n。4.根据权利要求3所述的人脸图像重构方法，其特征在于，所述采用数据自表示方法，基于样本向量X、重构变换矩阵W、变换矩阵Q和特征值回归系数矩阵A计算最小化的重构误差矩阵G，具体包括：步骤S311：根据计算中心向量矩阵v；其中，运算符表示克罗内克积；1表示全为1的列向量，I表示单位矩阵，P表示示重构误差矩阵，vec()表示按列对矩阵进行向量化，v表示中心向量矩阵，X表示样本向量；
步骤S312：基于所述中心向量矩阵v对所述样本向量X去中心化，得到去中心化之后的矩阵M；步骤S313：通过计算最小化的重构误差矩阵G。5.根据权利要求3所述的人脸图像重构方法，其特征在于，所述采用垂直基聚类特征选择方法，基于样本向量X、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算最小化的重构误差矩阵G，具体为：根据计算最小化的重构误差矩阵G。6.一种人脸图像重构系统，其特征在于，所述系统包括：图像切割模块，用于将原始图像数据切割成样本向量X；初始化模块，用于初始化重构变换矩阵W为单位矩阵，变换矩阵Q为单位矩阵，特征值回归系数矩阵A为单位矩阵，坐标基B为单位矩阵，编码矩阵E为单位矩阵；权重矩阵P计算模块，用于基于样本向量X、重构变换矩阵W、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算权重矩阵P；...

【专利技术属性】
技术研发人员：高云龙，李辉堆，李子琦，陈彦光，林昊，潘金艳，
申请(专利权)人：厦门大学，
类型：发明
国别省市：