[發明專利]基于協作表示的近鄰保持人臉識別方法

有效

• 申請號: 201710671065.2
• 申請日: 2017-08-07
• 公開（公告）號: CN107480623B
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 王磊;李苗;姬紅兵;李丹萍;陳爽月;臧偉浩;劉璐;趙杰
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 61205 陜西電子工業專利中心
• 代理人: 田文英;王品華

1.一種基于協作表示的近鄰保持人臉識別方法，包括如下步驟：

(1)劃分數據庫樣本集：

從人臉圖像集中依次提取所有已知標簽樣本組成含有C類樣本的訓練集，將人臉圖像集中所有的未知標簽樣本組成測試集；

(2)獲取樣本矩陣：

(2a)按列取出訓練集中的單幅人臉圖像像素點的灰度特征值，排列成一個列向量，遍歷訓練集圖像，將得到的所有列向量組成訓練樣本矩陣；

(2b)按列取出測試集中的單幅人臉圖像像素點的灰度特征值，排列成一個列向量，遍歷測試集圖像，將得到的所有列向量組成測試樣本矩陣；

(3)計算初始投影矩陣：

采用主成分分析方法PCA，對訓練樣本集的協方差矩陣進行奇異值分解，保留奇異值分解得到的99％特征值，將保留特征值所對應的特征向量組成初始投影矩陣；

(4)按照下式，計算初始降維后的訓練樣本矩陣：

其中，X表示初始降維后的訓練樣本矩陣，W_P表示初始投影矩陣，T表示轉置操作，表示訓練樣本矩陣；

(5)計算初始降維后訓練樣本的權值矩陣：

(5a)采用類內協作表示法，計算初始降維后訓練樣本的類內權值矩陣；

(5b)采用類間協作表示法，計算初始降維后訓練樣本的類間權值矩陣；

(6)構建近鄰保持圖：

(6a)將初始降維后的每個訓練樣本與其同類的樣本連接后，構成類內近鄰保持圖；

(6b)將初始降維后的每個訓練樣本與其不同類樣本連接后，構成類間近鄰保持圖；

(7)計算近鄰保持圖的拉普拉斯矩陣：

(7a)利用類內近鄰保持公式，計算組成類內近鄰保持圖的拉普拉斯矩陣；

(7b)利用類間近鄰保持公式，計算組成類間近鄰保持圖的拉普拉斯矩陣；

(8)利用跡差矩陣公式，計算初始降維后訓練樣本的跡差矩陣；

(9)利用廣義奇異值分解方法，計算二次投影矩陣；

(10)按照下式，計算二次降維后的訓練樣本矩陣：

Y＝P^TX

其中，Y表示二次降維后的訓練樣本矩陣，P表示二次投影矩陣；

(11)對測試樣本進行識別分類：

對測試樣本進行初始降維和二次降維后，采用最近鄰分類器，提取距離其最近的二次降維后訓練樣本的標簽，將標簽賦予測試樣本，輸出人臉圖像測試樣本的類別。

2.根據權利要求1所述的基于協作表示的近鄰保持人臉識別方法，其特征在于：步驟(5a)中所述的類內協作表示法的具體步驟如下：

第一步，按照下式，計算初始降維后訓練樣本中所有樣本的類內重構向量：

其中，表示初始降維后訓練樣本中第i類的第j個樣本的類內重構向量，X_i表示初始降維后訓練樣本的第i類中除第j個樣本外的其余樣本，T表示轉置操作，λ表示拉格朗日乘子，I表示單位矩陣，(·)^-1表示取逆操作，表示初始降維后訓練樣本中第i類的第j個樣本；

第二步，在初始降維后訓練樣本中的類內重構向量的第j個位置插入0，得到初始降維后訓練樣本的類內協作表示向量；

第三步，將初始降維后每個訓練樣本的類內協作表示向量，組合成初始降維后所有訓練樣本的類內權值矩陣。

3.根據權利要求1所述的基于協作表示的近鄰保持人臉識別方法，其特征在于：步驟(5b)中所述類間協作表示法的具體步驟如下：

第一步，按照下式，計算初始降維后訓練樣本中每個樣本的類間重構向量：

其中，表示初始降維后訓練樣本中第i類的第j個樣本的類間重構向量，T表示轉置操作，Xⁱ表示初始降維后訓練樣本中除第i類樣本外的其余樣本，λ表示拉格朗日乘子，I表示單位矩陣，(·)^-1表示取逆操作；

第二步，在初始降維后訓練樣本的類間重構向量的第(i-1)*N+1個位置上插入N個0，得到初始降維后訓練樣本的類間協作表示向量，其中N表示每類訓練樣本的個數；

第三步，將初始降維后每個訓練樣本的類間協作表示向量，組合成初始降維后所有訓練樣本的類間權值矩陣。