[發明專利]基于判別稀疏保持投影的非約束人臉圖像降維方法

有效

• 申請號: 201710969273.0
• 申請日: 2017-10-17
• 公開（公告）號: CN108647690B
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 童瑩;田亞娜;陳瑞;曹雪虹
• 申請（專利權）人: 南京工程學院
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/00;G06K9/62
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 王素琴

本發明提供一種基于判別稀疏保持投影的非約束人臉圖像降維方法，通過1)，在計算樣本重構關系矩陣W時，利用類別標簽和類內緊湊度約束，增大同類非近鄰樣本權重系數；2)計算低維映射矩陣P時，增加全局約束因子，進一步降低異類偽近鄰樣本對投影矩陣的影響，能夠更準確挖掘出隱藏在復雜冗余數據中的低維流形本質結構；3)實現高維樣本數據的低維線性映射；對于真實環境中獲取的非約束人臉圖像，本發明DSPP可以更準確消除高維數據中的冗余信息，抽取本質特征，增強表征能力；同時，也減少了數據維度，節約存儲空間，大大提高了人臉識別的可靠性和有效性。

技術領域

本發明涉及一種基于判別稀疏保持投影的非約束人臉圖像降維方法，是以非約束環境下人臉識別為應用背景，進行高維人臉數據的低維映射研究，主要包括樣本稀疏表示的類內約束優化和低維投影目標函數的全局約束改進。

背景技術

隨著互聯網、傳感技術的飛速發展，計算機處理的人臉圖像數據越來越呈現海量、復雜的特點。因此，對海量復雜人臉數據進行有效降維，挖掘出掩藏在高維表象下有用的本質信息顯得尤為重要。一方面可減少數據維度，節約存儲空間，提高系統的運行效率；另一方面，又可獲取數據本質特征，增強系統的表征能力。

鑒于非約束環境下獲取的人臉圖像受光照、姿態、表情、遮擋、年齡、分辨率等多種因素混合干擾，導致高維人臉數據結構復雜、冗余度高且呈現非線性分布。因此，傳統的線性降維方法(如PCA、LDA等)不能有效處理這種在高維空間中扭曲的真實數據，有時甚至會削弱和破壞高維數據中隱含的局部幾何結構。為了有效挖掘高維數據中隱含的低維本質結構，以核學習和流形學習為代表的非線性降維方法得到廣泛應用。

核學習雖然在一定程度上起到了非線性降維的作用，但其本質仍是在高維的隱特征空間利用線性方法降維，并且核矩陣設計、以及通過核矩陣將數據映射到更高維的隱特征空間的內在機制和直觀意義都尚不明確，這極大的限制了核學習的發展。而流形學習的本質是從局部可坐標化的拓撲空間中挖掘高維數據內在的流形結構，是對傳統歐式空間研究的推廣，符合人眼視覺感知機制，因此，流形學習能夠更準確、更有效的從真實復雜數據中尋找事物的本質特征，是一種能夠恢復數據內在扭曲結構的非線性降維方法。

目前，傳統的流形學習算法(如LE、LLE、Isomap等)均采用隱式函數把數據從高維空間映射到低維空間，缺乏對新樣本的歸納能力。而局部保留投影(Locality preservingprojections,LPP)和近鄰保持嵌入(Neighborhood preserving embedding,NPE)則分別是對傳統的拉普拉斯特征映射(Laplacian Eigenmap,LE)和局部線性嵌入(Locally LinearEmbedding,LLE)的線性化改進，在不改變原有目標函數基礎上增加線性約束，得到映射函數解析式，未知新樣本的低維坐標可直接由顯式函數計算得到，在模式識別領域得到廣泛應用。

LPP和NPE的基本原理是以鄰域樣本之間的距離測度作為權值條件，約束達到在低維空間中仍保持該局部屬性的降維方法。但在實際應用中，樣本之間距離測度的可區分性會隨著維數的增加而減弱，因此，利用距離測度描述樣本局部屬性并不能準確挖掘出高維數據中隱含的低維流形本質結構。為了解決這一問題，喬立山提出稀疏保持投影(SparsityPreserving Projections,SPP)算法，通過構造每一個訓練樣本在字典下的稀疏表示，得到稀疏重構權值矩陣，是一種以保持數據間稀疏關系為目的的降維方法。

雖然稀疏表示技術具有非常好的魯棒性，這使得SPP在人臉識別中取得較好效果，但SPP是一種非監督的學習算法，沒有引入標簽信息，盡管喬立山指出稀疏重構系數中已隱含鑒別信息，但這個結論是基于訓練樣本充分多，且同類樣本充分近似的假設條件下得到的。事實上，在真實環境下采集的人臉圖像復雜多變，由于表情、遮擋、光照、年齡等因素影響，同類樣本間會表現出很大差異，導致待測樣本不能完全被同類樣本近似稀疏表示，同時還會出現個別異類樣本錯誤逼近的情況，使得投影矩陣不準確，識別性能下降。

總的來說，現有經典流形學習算法的不足之處在于：