[發明專利]基于核空間的分類聚集稀疏表示的人臉識別方法

有效

• 申請號: 201610065827.X
• 申請日: 2016-01-31
• 公開（公告）號: CN105760821B
• 公開（公告）日: 2017-06-06
• 發明（設計）人: 劉寶弟;王立;韓麗莎;王延江
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 青島聯信知識產權代理事務所37227
• 代理人: 徐艷艷,高洋

1.一種基于核空間的分類聚集稀疏表示的人臉識別方法，其特征在于：含有以下步驟：

步驟一：采用卷積神經網絡對人臉圖像提取人臉特征；

步驟二：訓練分類聚集詞典，其訓練步驟為：

(一)輸入訓練樣本，采用包含C個種類的圖片樣本訓練分類詞典，訓練樣本空間用X表示，表示為X＝[X¹,X²,…,X^c,…,X^C]∈R^D×N，D表示訓練樣本的特征維度，N是訓練樣本總的個數，X¹,X²,…,X^c,…,X^C分別表示第1,2,…,c,…,C類樣本，定義N₁,N₂,…,N_c,…,N_C分別表示每類訓練樣本數目，則N＝N₁+N₂+…N_c+…+N_C；

(二)對訓練樣本進行二范數歸一化，得到歸一化的訓練樣本集X；

(三)對每一類訓練樣本分別訓練其聚集詞典，訓練詞典的過程為：

1、取出第c類樣本X^c，將X^c映射到核空間φ(X^c)；

2、稀疏編碼詞典φ(X^c)W^c的訓練需要滿足約束條件，所述約束條件的目標函數為：

$\begin{array}{c}f(W^c,S^c)=\left\{\right||\mathrm{\φ}\left(X^c\right)-\mathrm{\φ}\left(X^c\right)W^c{S}^c|{|}_F^2+2\mathrm{\α}\left|\right|S^c|{|}_1+\mathrm{\η}\underset{n=1}{\overset{N_c}{\Σ}}||S_{\·n}^c-\frac{1}{N_c}\underset{m=1}{\overset{N_c}{\Σ}}{S}_{\·m}^c|{|}_2^2\}\\ s.t.\left|\right|\mathrm{\φ}\left(X^c\right)W_{\·k}^c|{|}_F^2\≤1,\∀k=1,2,\mathrm{...},K.\end{array}---\left(1\right)$

式中，α為稀疏編碼算法中稀疏項約束的懲罰系數，η為稀疏編碼詞典X^c中分類聚集約束的懲罰系數，S^c為第c類核空間訓練樣本的稀疏表示矩陣，K為學習得到的詞典的大小，是一個權重矩陣，其每一列表示核空間樣本對構造詞典中每個詞條的貢獻大小，詞典B^c＝φ(X^c)W^c，φ表示樣本在核空間中的映射；

3、對步驟2中約束條件的目標函數進行求解，即對公式(1)求解，求解方法為：首先，對W^c和S^c進行初始化，隨機生成兩個矩陣，其中，W^c是N_c×K矩陣，S^c是K×N_c矩陣；然后，交替迭代更新W^c和S^c，求取最優的權重矩陣W^c和稀疏表示矩陣S^c，使得目標函數值最小，將每一類訓練樣本的權重矩陣W^c放置到一個大的矩陣當中，獲得權重矩陣W，該權重矩陣W即為分類聚集詞典；

步驟三：對圖像進行識別，其步驟為：

(一)采用卷積神經網絡提取待識別測試樣本的圖像特征，定義y∈R^D×1表示一幅待識別的測試樣本圖像特征，并將測試樣本圖像特征y映射到核空間φ(y)；

(二)使用步驟二中獲得的權重矩陣W，對核空間φ(y)進行擬合，獲取擬合函數；

(三)對步驟(二)中獲取的擬合函數進行求解；

(四)求核空間φ(y)在每類樣本所構成子空間的擬合誤差；

(五)比較核空間φ(y)和每類樣本的擬合誤差，待識別圖像則屬于擬合誤差最小的那個類別。