基于核空间的分类聚集稀疏表示的人脸识别方法

摘要

本发明涉及一种基于核空间的分类聚集稀疏表示的人脸识别方法，含有以下步骤：采用卷积神经网络对人脸图像提取人脸特征，训练分类聚集词典，对图像进行识别。本发明考虑了用训练样本对测试样本进行稀疏表达时，每个训练样本对子空间构造的权重的不同，以及离类中心近的训练样本对构造子空间应当具有更大的权重，采用φ(X^c)W^c矩阵构造新的稀疏表达词典，在稀疏表达约束中加入分类集中约束项。与现有技术相比，本发明提出的人脸识别方法能够有效的降低测试样本在相应子空间内的拟合误差，且使得相同类别的样本在稀疏空间内能够聚集在一起，从而提升了人脸识别性能；处理非线性结构和关系的能力增强，能够有效发掘复杂数据的隐藏特征，进一步提升人脸识别性能。

主权项

一种基于核空间的分类聚集稀疏表示的人脸识别方法，其特征在于：含有以下步骤：步骤一：采用卷积神经网络对人脸图像提取人脸特征；步骤二：训练分类聚集词典，其训练步骤为：(一)输入训练样本，采用包含C个种类的图片样本训练分类词典，训练样本空间用X表示，表示为X＝[X¹,X²,…,X^c,…，X^C]∈R^D×N，D表示训练样本的特征维度，N是训练样本总的个数，X¹,X²,…,X^c,…,X^C分别表示第1,2,…,c,…,C类样本，定义N₁,N₂,…,N_c,…,N_C分别表示每类训练样本数目，则N＝N₁+N+,…+N_c+…+N_C；(二)对训练样本进行二范数归一化，得到归一化的训练样本集X；(三)对每一类训练样本分别训练其聚集词典，训练词典的过程为：（1）、取出第c类样本X^c，将X^c映射到核空间φ(X^c)；（2）、稀疏编码词典φ(X^c)W^c的训练需要满足约束条件，所述约束条件的目标函数为：式中，α为稀疏编码算法中稀疏项约束的惩罚系数，η为稀疏编码词典X^c中分类聚集约束的惩罚系数，S^c为第c类核空间训练样本的稀疏表示矩阵，K为学习得到的词典的大小，是一个权重矩阵，其每一列表示核空间样本对构造词典中每个词条的贡献大小，词典B^c＝φ(X^c)W^c，φ表示样本在核空间中的映射；（3）、对步骤2中约束条件的目标函数进行求解，即对公式(1)求解，求解方法为：首先，对W^c和S^c进行初始化，随机生成两个矩阵，其中，W^c是N_c×K矩阵，S^c是K×N_c矩阵；然后，交替迭代更新W^c和S^c，求取最优的权重矩阵W^c和稀疏表示矩阵S^c，使得目标函数值最小，将每一类训练样本的权重矩阵W^c放置到一个大的矩阵当中，获得权重矩阵W，该权重矩阵W即为分类聚集词典；步骤三：对图像进行识别，其步骤为：(一)采用卷积神经网络提取待识别测试样本的图像特征，定义y∈R^D×1表示一幅待识别的 测试样本图像特征，并将测试样本特征y映射到核空间φ(y)；(二)使用步骤二中获得的权重矩阵W，对测试样本图像特征φ(y)进行拟合，获取拟合函数；(三)对步骤(二)中获取的拟合函数进行求解；(四)求核空间φ(y)在每类样本所构成子空间的拟合误差；(五)比较核空间φ(y)和每类样本的拟合误差，待识别图像则属于拟合误差最小的那个类别。