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=[X<sup>1</sup>,X<sup>2</sup>,…,X<sup>c</sup>,…,X<sup>C</sup>]∈R<sup>D</sup><sup>×</sup><sup>N</sup>,D表示训练样本的特征维度,N是训练样本总的个数,X<sup>1</sup>,X<sup>2</sup>,…,X<sup>c</sup>,…,X<sup>C</sup>分别表示第1,2,…,c,…,C类样本,定义N<sub>1</sub>,N<sub>2</sub>,…,N<sub>c</sub>,…,N<sub>C</sub>分别表示每类训练样本数目,则N=N<sub>1</sub>+N+,…+N<sub>c</sub>+…+N<sub>C</sub>;(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<sup>c</sup>,将X<sup>c</sup>映射到核空间φ(X<sup>c</sup>);(2)、稀疏编码词典φ(X<sup>c</sup>)W<sup>c</sup>的训练需要满足约束条件,所述约束条件的目标函数为:<img file="FDA0000919169940000011.GIF" wi="1827" he="259" />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<sup>c</sup>中分类聚集约束的惩罚系数,S<sup>c</sup>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,<img file="FDA0000919169940000012.GIF" wi="238" he="73" />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<sup>c</sup>=φ(X<sup>c</sup>)W<sup>c</sup>,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<sup>c</sup>和S<sup>c</sup>进行初始化,随机生成两个矩阵,其中,W<sup>c</sup>是N<sub>c</sub>×K矩阵,S<sup>c</sup>是K×N<sub>c</sub>矩阵;然后,交替迭代更新W<sup>c</sup>和S<sup>c</sup>,求取最优的权重矩阵W<sup>c</sup>和稀疏表示矩阵S<sup>c</sup>,使得目标函数值最小,将每一类训练样本的权重矩阵W<sup>c</sup>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<sup>D</sup><sup>×</sup><sup>1</sup>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。 |