基于较大编码系数强化的稀疏编码方法技术

本发明专利技术提供了一种基于较大编码系数强化的稀疏编码方法，方法流程为：首先构造测试样本列向量和训练样本矩阵。第二，用主成分分析方法(PCA)将两者降维,降维后的训练样本矩阵也叫做字典。第三，将测试样本列向量表示为字典的线性组合，表示系数为稀疏编码系数。最后，字典与每一类对应的稀疏编码系数相乘，得到每一类的重构样本，然后将测试样本和重构样本相减，得到标准重构误差；同样选择其中较大的一部分编码系数，将字典与之相乘，也得到一种重构样本，然后将测试样本和重构样本相减，得到另一种重构误差，两类误差的最小值对应的类别即为测试样本所属类别。经大量实验验证，本发明专利技术在人脸识别中得到了应用，识别率很高，有很好的性能与适用性。

【技术实现步骤摘要】

本专利技术涉及，属于利用稀疏编码方法进行模式识别的

技术介绍
随着近年来稀疏编码得到了越来越广泛的关注，它也在盲信号分离、特征提取、数据分类、视觉图像处理以及模式识别等领域得到了越来越多的应用。下面以稀疏编码在人脸识别中的应用为例，介绍一下现有的2种稀疏编码方法:1.稀疏编码(Sparse Representation based Classification, SRC)方法的步骤为:首先，提取含有多个类别的训练样本，将之表示为字典，然后将测试样本表示为字典的线性组合，得到稀疏编码系数，其中 每个系数分别对应每个训练样本，同时每个类别的系数也对应每个类别的训练样本；然后将各个类别对应的稀疏编码系数与字典相乘得到重构样本，然后测试样本与重构样本相减得到误差；最终，得到系数重构样本与测试样本所得到的误差最小，其重构样本所对应的类别即为最终判定测试样本的所属类别。2.研究人员之后又提出了鲁棒稀疏编码(Robust Sparse Coding, RSC)方法,该方法对图像中包含异常像素的情况表现出很好的鲁棒性，其方法步骤为:与稀疏编码(SparseRepresentation based Classification, SRC)相比，在表示过程中加入权值矩阵，当训练样本不能较好的表示测试样本时，即冗余误差较大时,权值矩阵能够减小冗余误差，这样，如果遇到较大的遮挡物或噪声，鲁棒稀疏编码(RobustSparse Coding, RSC)仍旧能够得到稀疏系数,使得最终识别率不受影响。同时，在重构过程中也加入权值矩阵W，与表示过程相对应。判定最终类别方法也同稀疏编码(SparseRepresentation based Classification, SRC) 一样。但是在实际应用中，以上两种稀疏编码方法在重构过程中的错误率较高，识别率较低。
技术实现思路
针对现有技术的不足，本专利技术提出，该方法目的在于提出了稀疏编码中的一种新的重构方法。因为当编码系数很杂乱或者不能满足稀疏的要求时，通常不能够正确的分类，所以通过选择其中较大的一部分编码系数也参与样本的重构过程，使得算法在人脸识别的应用中能够获得更高的识别率。本专利技术的技术方案如下:一种，包括应用于稀疏编码的方法(ALarger Coefficients Emphasis Framework for Sparse Representation, LCE-SRC),和应用于鲁棒稀疏编码的方法(A Larger Coefficients Emphasis Framework for RobustSparse Coding, LCE-RSC):其中，本专利技术应用于稀疏编码的方法(A Larger Coefficients EmphasisFramework for Sparse Representation, LCE-SRC)，包括步骤(a) - (e):a:首先提取I个测试样本的特征，将其表示为一个列向量，同样也提取k个训练样本的特征，将其表示为k列的矩阵；b:用主成分分析方法(PCA)将测试样本列向量和训练样本矩阵的每个列向量降维至m维，所以得到m维的测试样本列向量和大小为mXk的训练样本矩阵，其中，称降维后的训练样本矩阵为训练样本字典；c:稀疏表不:本文档来自技高网...

【技术保护点】
一种基于较大编码系数强化的稀疏编码方法，其特征在于，包括应用于稀疏编码的方法(A?Larger?Coefficients?Emphasis?Framework?for?Sparse?Representation,LCE?SRC)，和应用于鲁棒稀疏编码的方法(A?Larger?Coefficients?Emphasis?Framework?for?Robust?Sparse?Coding,LCE?RSC)：?其中，本专利技术应用于稀疏编码的方法(A?Larger?Coefficients?Emphasis?Framework?for?Sparse?Representation,LCE?SRC)，包括步骤（a）?（e）：?a：首先提取1个测试样本的特征，将其表示为一个列向量，同样也提取k个训练样本的特征，将其表示为k列的矩阵；?b：用主成分分析方法(PCA)将测试样本列向量和训练样本矩阵的每个列向量降维至m维，所以得到m维的测试样本列向量和大小为m×k的训练样本矩阵，其中，称降维后的训练样本矩阵为训练样本字典；?c：稀疏表示：?其中式（1）是稀疏编码(Sparse?Representation?based?Classification，SRC)的拉格朗日算子表示公式，x是测试样本列向量，D是训练样本字典，α是式（1）中唯一的自变量，是编码系数向量；e=y?Dα，其中e为编码冗余；式（1）通过第一项编码冗余的l2范数和第二项编码系数的l1范数使得训练样本表示测试样本和编码系数向量稀疏，最终得到最优稀疏编码系数α，即通过求式（1）最小值得到α；?d：样本重构。?在式（2）中，第一项是标准重构误差，根据训练样本字典与训练样本的每一类对应的稀疏编码系数δi(α)相乘，得到每一类的重构样本，然后将测试样本和重构样本相减，得到标准重构误差；加权的第二项中，α“是α中最大的一部分元素：根据α中的元素大小进行排序，选出前十项组成α“，即最大的一部分元素，δi(α“)是由α“向量中第i类对应的元素组成的向量，δi(α“)max是α“中最大的元素值，length(δi(α“))是δi(α“)的长度，?β为加权系数，选择其中较大的一部分编码系数，也将训练样本字典与之相乘，得到新的重构样本，然后将测试样本和新的重构样本相减，得到新的标准重构误差，两类误差和的最小值对应的类别即为测试样本所属类别；?e：读取其他测试样本，返回a步骤继续识别分类。?FDA00003164313200011.jpg,FDA00003164313200012.jpg...

【技术特征摘要】
1.一种基于较大编码系数强化的稀疏编码方法，其特征在于，包括应用于稀疏编石马的方法(A Larger Coefficients Emphasis Framework for SparseRepresentation, LCE-SRC),和应用于鲁棒稀疏编码的方法(A Larger CoefficientsEmphasis Framework for Robust Sparse Coding, LCE-RSC): 其中，本发明应用于稀疏编码的方法(A Larger Coefficients Emphasis Frameworkfor Sparse Representation, LCE-SRC),包括步骤(a) - (e): a:首先提取I个测试样本的特征，将其表示为一个列向量，同样也提取k个训练样本的特征，将其表示为k列的矩阵； b:用主成分分析方法(PCA)将测试样本列...

【专利技术属性】
技术研发人员：江铭炎，潘婷婷，贲晛烨，李斐，张鹏，孙孟磊，
申请(专利权)人：山东大学，
类型：发明
国别省市：