[發明專利]一種基于最優協同表示的穩健判別特征提取方法

有效

• 申請號: 201910255564.2
• 申請日: 2019-04-01
• 公開（公告）號: CN109840567B
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 袁明冬;胡金暉;張興;黃詩盛
• 申請（專利權）人: 中電科新型智慧城市研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 李艷麗

本發明涉及一種基于最優協同表示的穩健判別特征提取方法，包括計算機及存儲其中的圖像庫，并從圖像庫提取基于最優協同表示的L_2,p(0＜p＜2)范數穩健判別特征；本發明應用于智能交通、人臉識別、公安系統中特定人物身份判定等領域，在低維空間中自適應地更新協同表示系數矩陣，從而更好地反映了低維空間中樣本間的協同重構關系和局部幾何信息，采用L_2,p(0＜p＜2)范數，并用迭代方法求解投影矩陣，使得投影矩陣在迭代過程中不斷得到優化，保證提取最優協同表示的L_2,p(0＜p＜2)范數穩健判別特征。

技術領域

本發明屬于人物身份識別技術領域，特別是涉及一種基于最優協同表示的穩健判別特征提取方法。

背景技術

從幾何結構保持的角度來講，現有的特征提取方法包括基于流形結構保持理論、基于低秩表示理論、基于稀疏表示理論和基于協同表示理論四大類。以流形結構保持為思想的特征提取方法通過尋找一組投影向量，將高維空間數據投影到低維子空間，同時保持高維空間中的流形結構。例如，局部保持投影(LPP)方法是一種典型的流形學習方法，它需要在高維空間中人工構造相似性權值矩陣，其分類性能易受到噪聲點的影響。基于低秩表示理論的方法主要為了保持數據的低秩重構關系，如低秩保持嵌入(LRPE)等方法；基于稀疏表示的特征提取方法則主要是為了在低維空間中保持數據的稀疏重構關系。基于低秩表示理論和基于稀疏表示理論的特征提取方法由于計算重構表示系數時需要不斷迭代，因而通常具有較高的計算復雜度。基于協同表示理論的特征提取方法，其目的是為了保持樣本在低維空間中的協同重構關系，協同表示方法本質上是求解L₂范數平方正則的最小二乘，它能夠得到協同表示系數的閉式解，因而受到了廣大研究者的青睞。這些特征提取方法包括協同表示投影(collaborative representation based projections，CRP)，正則化最小二乘判別投影(regularized least square based discriminative projections，RLSDP)，協同表示重構投影(collaborative representation reconstruction basedprojections，CRRP)等。CRP是一種無監督的特征提取方法，其通過最小化協同重構誤差同時最大化全局散度信息來獲取投影矩陣；RLSDP在CRP的基礎上引入了一定的監督信息來提取特征，但其判別能力仍然不足；CRRP利用高維空間的樣本協同表示系數來構造重構散度矩陣，通過最大化類間重構誤差同時最小化類內重構誤差來獲取投影矩陣。在特征提取過程中，三種方法都采用高維空間中求取的固定不變的協同表示系數，并采用平方L₂范數來度量樣本間的差異性。

現有的大部分基于協同表示的特征提取方法通常在原始高維空間中計算協同表示系數并在特征提取過程中保持不變，無法真實反映低維子空間中樣本的協同重構關系和局部幾何信息；此外，采用平方L₂范數來度量樣本間的差異性，放大了距離大的樣本的作用，但這類樣本通常受到噪聲污染，從而降低了特征提取算法的穩健性。

因此，應用于智能交通、人臉識別、公安系統中特定人物身份判定等領域,有必要發明一種基于最優協同表示的穩健判別特征提取方法。

發明內容

本發明所要解決的技術問題是：提出一種基于最優協同表示的穩健判別特征提取方法，從圖像庫提取基于最優協同表示的L_2,p(0＜p＜2)范數穩健判別特征。

本發明采用的技術方案是：包括計算機及存儲其中的圖像庫，并從所述圖像庫提取基于最優協同表示的L_2,p(0＜p＜2)范數穩健判別特征；

所述基于最優協同表示的穩健判別特征提取方法，提取方法包括如下步驟：

S10，構造訓練樣本集X和測試樣本集X^test；

S20，預設相關參數及類內相似性權重矩陣W，令初始迭代次數t＝0，并初始化低維投影矩陣Q_t；