[發(fā)明專利]彈性網(wǎng)正則線性回歸的負拖動技術的人臉識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202011185407.8
• 申請日: 2020-10-29
• 公開（公告）號: CN112307954A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設計）人: 劉侍剛;王兆朋;彭亞麗
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京慕達星云知識產(chǎn)權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.彈性網(wǎng)正則線性回歸的負拖動技術的人臉識別方法，其特征在于，包括：

將負拖動技術引入具有判別性彈性網(wǎng)正則線性回歸模型；

進行優(yōu)化，以得到一個判別投影矩陣；

利用所述判別投影矩陣對測試樣本和訓練樣本進行線性變換；所述訓練樣本為包括大量人臉圖像的數(shù)據(jù)集；所述測試樣本為包括相同所述大量人臉圖像不同角度的數(shù)據(jù)集；

將線性變換后的所述測試樣本和訓練樣本投射到所述判別投影矩陣，得到測試樣本的預測標簽矩陣和測試樣本矩陣；

通過最近鄰分類器對所述預測標簽矩陣和測試樣本矩陣的圖像進行多類分類，獲得分類結果。

2.如權利要求1所述的彈性網(wǎng)正則線性回歸的負拖動技術的人臉識別方法，其特征在于，進行優(yōu)化，以得到一個判別投影矩陣，包括：

構造增廣拉格朗日函數(shù)L(D,M,A,B,C₁)為：

s.t.D＝AB,M≥0；

式中，X為訓練樣本集，Y為標簽向量，E為常數(shù)矩陣，D為學習的投影矩陣，M為學習的非負矩陣，A和B分別為矩陣M的分解，⊙為矩陣對應元素相乘，C₁為拉格朗日乘子，λ₁和λ₂為權值參數(shù)，μ＞0為懲罰參數(shù)；

利用塊坐標下降方法求出相對于原始變量的最小點；利用增廣拉格朗日函數(shù)在每次迭代時沿一個坐標方向最小化L；

依次更新矩陣A、B、D、M，迭代優(yōu)化所有變量，以得到一個判別投影矩陣。

3.如權利要求1所述的彈性網(wǎng)正則線性回歸的負拖動技術的人臉識別方法，其特征在于，利用所述判別投影矩陣對測試樣本和訓練樣本進行線性變換，包括：

獲取訓練樣本集X、標簽向量Y和測試樣本集Z；

將所述訓練樣本集X和測試樣集Z全部歸一化為單位向量x_i＝x_i/||x_i||₂；x_i表示矩陣X或矩陣Z中的某個列向量；

通過減去訓練樣本集X的矩陣均值，將訓練樣本集X變換為中心矩陣。

4.彈性網(wǎng)正則線性回歸的負拖動技術的人臉識別裝置，其特征在于，包括：

引入模塊，用于將負拖動技術引入具有判別性彈性網(wǎng)正則線性回歸模型；

優(yōu)化模塊，用于進行優(yōu)化，以得到一個判別投影矩陣；

變換模塊，用于利用所述判別投影矩陣對測試樣本和訓練樣本進行線性變換；所述訓練樣本為包括大量人臉圖像的數(shù)據(jù)集；所述測試樣本為包括相同所述大量人臉圖像不同角度的數(shù)據(jù)集；

投影模塊，用于將線性變換后的所述測試樣本和訓練樣本投射到所述判別投影矩陣，得到測試樣本的預測標簽矩陣和測試樣本矩陣；

分類模塊，用于通過最近鄰分類器對所述預測標簽矩陣和測試樣本矩陣的圖像進行多類分類，獲得分類結果。

5.如權利要求4所述的彈性網(wǎng)正則線性回歸的負拖動技術的人臉識別裝置，其特征在于，所述優(yōu)化模塊，具體用于構造增廣拉格朗日函數(shù)L(D,M,A,B,C₁)為：

s.t.D＝AB,M≥0；

式中，X為訓練樣本集，Y為標簽向量，E為常數(shù)矩陣，D為學習的投影矩陣，M為學習的非負矩陣，A和B分別為矩陣M的分解，⊙為矩陣對應元素相乘，C₁為拉格朗日乘子，λ₁和λ₂為權值參數(shù)，μ＞0為懲罰參數(shù)；

利用塊坐標下降方法求出相對于原始變量的最小點；利用增廣拉格朗日函數(shù)在每次迭代時沿一個坐標方向最小化L；

依次更新矩陣A、B、D、M，迭代優(yōu)化所有變量，以得到一個判別投影矩陣。

6.如權利要求4所述的彈性網(wǎng)正則線性回歸的負拖動技術的人臉識別裝置，其特征在于，所述變換模塊，具體用于獲取訓練樣本集X、標簽向量Y和測試樣本集Z；將所述訓練樣本集X和測試樣集Z全部歸一化為單位向量x_i＝x_i/||x_i||₂；x_i表示矩陣X或矩陣Z中的某個列向量；通過減去訓練樣本集X的矩陣均值，將訓練樣本集X變換為中心矩陣。