发明名称 |
一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器 |
摘要 |
本申请公开了一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器,所述方法包括:对训练样本集进行初始降维,获得一次降维训练样本集和一次降维训练样本矩阵;采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记;采用二次投影矩阵对一次降维训练样本矩阵进行二次降维,得到二次降维训练样本矩阵,和二次降维训练样本集;建立测试样本,对所述测试验本进行两次降维,得到二次降维测试样本;提取与所述二次降维测试样本距离最近的二次降维训练样本,并把所述二次降维训练样本的类别标签赋予所述二次降维测试样本。相对于现有技术的降维方法,采用本申请提供的人脸识别方法,可以实现有监督学,并且具有较高的识别率。 |
申请公布号 |
CN103793704B |
申请公布日期 |
2017.01.25 |
申请号 |
CN201410087724.4 |
申请日期 |
2014.03.11 |
申请人 |
苏州大学 |
发明人 |
张莉;包兴;赵梦梦;杨季文;王邦军;何书萍;李凡长 |
分类号 |
G06K9/00(2006.01)I;G06K9/62(2006.01)I |
主分类号 |
G06K9/00(2006.01)I |
代理机构 |
北京集佳知识产权代理有限公司 11227 |
代理人 |
王宝筠 |
主权项 |
一种监督邻域保持嵌入人脸识别方法,其特征在于,所述方法包括:对训练样本集进行初始降维,获得一次降维训练样本集和一次降维训练样本矩阵;采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记;采用二次投影矩阵对一次降维训练样本矩阵进行二次降维,得到二次降维训练样本矩阵,和二次降维训练样本集;建立测试样本,对所述测试样本进行两次降维,得到二次降维测试样本;提取与所述二次降维测试样本距离最近的二次降维训练样本,并把所述二次降维训练样本的类别标签赋予所述二次降维测试样本;所述对训练样本集进行初始降维,获得一次降维训练样本集和一次降维训练样本矩阵,包括:设训练样本集为<img file="FDA0001030835590000011.GIF" wi="339" he="57" />c<sub>i</sub>={1,2,…,C},其中d为样本的维数,n为样本数据的个数,C为数据的类别数;训练样本矩阵为X=[x<sub>1</sub>,x<sub>2</sub>,...,x<sub>n</sub>]∈R<sup>d×n</sup>;对训练样本集进行初始降维,获得一次降维训练样本集<img file="FDA0001030835590000012.GIF" wi="335" he="68" />和一次降维训练样本矩阵X<sub>1</sub>=P<sub>1</sub><sup>T</sup>X,其中,P<sub>1</sub>是由PCA方法生成的投影矩阵,所述d<sub>1</sub>为一次降维训练样本集中样本的维数,且P<sub>1</sub>∈R<sup>d×d1</sup>;采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记,包括:构建并采用类别散度矩阵H标记每个训练点的类别信息;具体的,对于训练样本<img file="FDA0001030835590000013.GIF" wi="50" he="50" />若<img file="FDA0001030835590000014.GIF" wi="41" he="51" />在所述<img file="FDA0001030835590000015.GIF" wi="36" he="46" />的k近邻内且与<img file="FDA0001030835590000016.GIF" wi="36" he="46" />具有相同的类别标签,则H<sub>ij</sub>=‑1;否则H<sub>ij</sub>=+1;具体的,所述H定义为:<img file="FDA0001030835590000021.GIF" wi="1011" he="154" />所述<img file="FDA0001030835590000022.GIF" wi="154" he="58" />表示<img file="FDA0001030835590000023.GIF" wi="42" he="52" />的邻域集合,<img file="FDA0001030835590000024.GIF" wi="147" he="50" />表示<img file="FDA0001030835590000025.GIF" wi="37" he="46" />的邻域集合。 |
地址 |
215123 江苏省苏州市工业园区仁爱路199号 |