[發明專利]一種小樣本情況下多稀疏表示的人臉識別方法

在審

• 申請號: 201410488550.2
• 申請日: 2014-09-22
• 公開（公告）號: CN104268593A
• 公開（公告）日: 2015-01-07
• 發明（設計）人: 范自柱;倪明;康利攀
• 申請（專利權）人: 華東交通大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/46
• 代理公司: 南昌市平凡知識產權代理事務所 36122
• 代理人: 姚伯川

1.一種小樣本情況下多稀疏表示的人臉識別方法，其特征在于，所述方法采用兩種方式來解決人臉識別中的小樣本情況，一是由給定的原始訓練樣本產生“虛擬樣本”，增加訓練樣本數；二是在產生虛擬樣本的基礎上，用三種非線性特征抽取方法，即核主成分分析、核鑒別分析和核局部保持投影算法，抽取樣本的特征；這樣就會得到三類特征模式，對每種特征模式構建稀疏表示模型；對每個樣本總共構建三個稀疏表示模型，最后根據表示結果來分類。

2.根據權利要求1所述的一種小樣本情況下多稀疏表示的人臉識別方法，其特征在于，所述方法的實現步驟為：

(1)對每一個訓練人臉圖像樣本，利用圖像鏡像變換技術產生兩個虛擬樣本；

(2)將每個訓練樣本包括虛擬樣本圖像拉成一個列向量，這些向量按類別排序，組成一個訓練樣本矩陣；

(3)將樣本從原始輸入空間變換到高維的特征空間，這一過程通過指定核函數為高斯核函數實現，該核函數參數設為訓練樣本的歐式距離均值；

(4)利用核主成分分析、核鑒別分析和核局部保角映射分別抽取樣本的非線性特征，從而得到三類樣本特征；

(5)將一個測試人臉樣本拉成列向量后，利用上述三個核方法抽取其三種特征，在每種特征上，建立稀疏表示模型；

(6)計算每類特征上的表示誤差，根據表示誤差對測試人臉樣本分類。

3.根據權利要求1所述的一種小樣本情況下多稀疏表示的人臉識別方法，其特征在于，所述非線性特征抽取的步驟如下：

(1)核主成分分析特征抽取

設有原始輸入空間的樣本x_i∈Rⁿ(i＝1,2,...,N)，使用一非線性映射將它們映射到一高維特征空間F，得到在這新的特征空間中，再施行主成分分析；

具體地，先計算核矩陣如下：式中，稱為樣本x_i和x_j之間的核函數；

然后，對矩陣K進行特征分解；選取前若干個特征向量如m個，抽取樣本特征，形式如下：A=[Σj=1Nα1jk(xj,x)λ1,Σj=1Nα2jk(xj,x)λ2,···,Σj=1Nαmjk(xj,x)λm]T,]]>式中，λ_i(i＝1,2,...,m)是矩陣K的前i個最大特征值，和α_ij是對應于λ_i的特征向量的第j個分量；

(2)核鑒別分析特征抽取

同前面核主成分分析特征抽取方法的基本思想一致，核鑒別分析方法也是先將原始輸入空間樣本映射到高維特征空間后，再進行鑒別分析；具體地，計算類間散度矩陣和協方差矩陣分別如下：和其中，n_i是第i類中樣本的個數，是類i中樣本的均值，是全體樣本的均值；則求解下式得到的向量，則是最佳鑒別分析的特征投影向量；

(3)核局部保持投影

核局部保持投影算法可以分成兩步，第一步是實現KPCA，第二步再施行LPP；在第一步中，將原始數據樣本變換到一合適的維數空間，新的全體訓練樣本數據是X；然后同經典LPP算法一樣，建立數據樣本的鄰接圖與其相應的系數矩陣W，則求解下式：XLX^Tα＝λXDX^Tα；其中，D是一對角矩陣，其每個元素是W的每行或列的和，L＝D-W；

記B＝[α₁,α₂,…,α_l]是上式對應于前l個特征值的特征向量構成的矩陣，其中α_i(i＝1,2,…,l)是第i個特征向量；

對于任一樣本向量x，則抽取其特征為：y＝B^Tx；

對于一個測試樣本y，利用以上三種特征抽取結果建立多稀疏表示模型步驟如下：

記全體訓練樣本通過利用KPCA進行特征抽取而得的訓練模式為：X₁＝[x₁₁,x₁₂,...,x_1N]，將它們規一化，使每個訓練模式的長度為1；然后，用它們表示經特征抽取后的測試樣本y如下：s.t.||y-X₁β||₂＜ε₁；對于第二種特征抽取方法KDA,利用它將訓練樣本變換為X₂＝[x₂₁,x₂₂,...,x_2N]，同上面步驟一樣，將測試樣本表示如下：s.t.||y-X₂η||₂＜ε₂；第三種特征抽取方法是KLPP,利用它的特征抽取結果是X₃＝[x₃₁,x₃₂,...,x_3N]同樣，將測試樣本表示如下：s.t.||y-X₃ξ||₂＜ε₃；

分別計算利用上述三種稀疏表示模型對應的表示誤差，將測試樣本分類到三種誤差最小的類別中。

4.根據權利要求所述的一種小樣本情況下多稀疏表示的人臉識別方法，其特征在于，所述方法實現步驟(1)中對人臉圖像產生兩個虛擬人臉訓練樣本的處理過程為：

第一個虛擬樣本的左半部分取原人臉樣本的左半部分，此虛擬樣本的右半部分是對它的左半部分鏡像或關于圖像水平方向的中位線對稱而得；

第二個虛擬樣本的右半部分取原人臉樣本的右半部分，此虛擬樣本的左半部分是對它的右半部分鏡像而得。