[發明專利]彈性網正則線性回歸的負拖動技術的人臉識別方法及裝置

在審

• 申請號: 202011185407.8
• 申請日: 2020-10-29
• 公開（公告）號: CN112307954A
• 公開（公告）日: 2021-02-02
• 發明（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權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發明公開了彈性網正則線性回歸的負拖動技術的人臉識別方法及裝置，該方法包括：將負拖動技術引入彈性網正則線性回歸模型；進行優化，以得到一個判別投影矩陣；利用判別投影矩陣對測試樣本和訓練樣本進行線性變換；訓練樣本為包括大量人臉圖像的數據集；測試樣本為包括相同所述大量人臉圖像不同角度的數據集；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。與傳統的大邊緣分類器相比，本發明實施例易于實現，計算效率高，并且避免了受污染的訓練樣本擬合問題；并且可以顯著提升人臉識別率。

技術領域

本發明涉及人臉識別技術領域，特別涉及一種彈性網正則線性回歸的負拖 動技術的人臉識別方法及裝置。

背景技術

基于稀疏表示的分類(SRC)在人臉識別中得到了廣泛的應用，其性能令人 印象深刻。為了提高人臉識別的有效性、效率和魯棒性，出現了許多基于表征 的分類方法。例如，基于線性回歸的分類(LRC)就是利用每種類型的訓練樣本 的線性組合來表示測試樣本，然后將測試樣本劃分為代表最小表示殘差的類。 基于協作表示的分類方法(CRC)用正則化l-2范數代替正則化l-1范數，提高了 人臉識別的效率。實驗表明，SRC在理論上是協同表示的一種特例，在不犧牲 分類精度的情況下，CRC仍然比SRC高效得多。此外，局部性約束線性編碼 (LLC)強制執行局部性約束，并使用它們來執行描述符的局部性嵌入。與此同 時，基于表示的技術在各個方面得到了廣泛的應用。低秩最小化由于其在數據 表示方面的有效性，引起了人們的廣泛關注。值得一提的是，RPCA是基于低 秩最小化的最著名的方法之一。當數據在單一子空間時，RPCA將觀測數據分 成兩部分:稀疏噪聲項和低秩未損壞數據項稀疏噪聲項。由于低秩特征的明顯優 勢，提出了兩種低秩回歸模型，即稀疏低秩回歸(SLRR)和低秩嶺回歸(LRRR) 方法。這兩個低秩回歸模型相當于基于線性判別分析的回歸。由于它們都是基 于低秩最小化的屬性，因此它們都可以捕獲數據依賴模式的底層結構。

雖然低秩最小化問題得到了很大的改進，但目前的大多數學習方法都只是 將原始的視覺特征投影到傳統的0-1矩陣中，由于自由度太少，使得這些矩 陣難以適應嚴格的二值標記矩陣。此外，由于這些方法的投影矩陣分辨力較弱， 無法將圖像特征準確地投影到目標場。判別穩健的回歸方法應該具有矩陣的三 個特征:緊湊的投影矩陣、對數據誤差的魯棒性和判別回歸目標。為了克服這些 缺點，Zheng等人提出了彈性網正則化線性回歸(ENLR)框架。提出了一種用于 多類圖像分類的魯棒緊湊回歸模型。特別是彈性網正則化項可以通過積累學習 到更緊湊的投影矩陣，通過擴大不同類別的邊界提高分類任務的準確性。通過 拖拽技術，可以更好地定義回歸目標，更好地適應回歸任務。

在模式識別算法的設計中，研究人員往往將重點放在擴展不同類別之間的 邊界上。研究人員已經提出了許多基于類邊界度量的算法。大裕度分類器可以 將訓練樣本劃分為各種裕度較大的類，并且可以更好地從訓練樣本中學習到很 多好的分類器，從而更好地適應測試樣本。但是在現實中，由于目標的噪聲或 變形性，訓練樣本與同一類別的測試樣本之間可能存在較大差異。

眾所周知，人臉圖像是可變的目標。來自同一個目標的兩個面部圖像可能 會有很大的不同。在這種情況下，從訓練樣本中得到的大邊緣分類器的大概率 并不適用于測試樣本。因此，便無法得到更高的識別率。

發明內容

鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地 解決上述問題的一種具有判別性彈性網正則線性回歸的負拖動技術的人臉識 別方法及裝置。

第一方面，本發明實施例提供彈性網正則線性回歸的負拖動技術的人臉識 別方法，包括：

將負拖動技術引入具有判別性彈性網正則線性回歸模型；

進行優化，以得到一個判別投影矩陣；