融合稀疏保持映射和多类别属性Bagging的人脸识别方法

摘要

融合稀疏保持映射和多类别属性Bagging的人脸识别方法属于模式识别技术领域。根据压缩感知理论提出的稀疏保持映射的方法已经应用到了人脸识别中并且取得了较高的识别率。在识别领域中，分类算法的性能对于最终的分类效果具有重要影响，而目前的一些基于稀疏保持映射的方法在分类时基本采用的是单一分类器，为了通过增强分类算法的性能来进一步提高识别率，本发明在实现属性Bagging算法时，本发明以Radon变换的角度作为实例的属性来构建训练样本并在其上进行基分类器的训练。通过在耶鲁和AR人脸库的实验，验证了本发明所提出的方法的可行性和有效性。

主权项

一种融合稀疏保持映射和多类别属性Bagging的人脸识别方法，其特征在于，其具体步骤如下：步骤一、确定原始属性集：用Radon变换的角度作为原始属性集中的元素，确定原始属性集；步骤二、确定迭代次数T以及重抽样属性个数N，T取10～50，N取10～25；步骤三、利用稀疏保持映射进行特征提取同时训练基分类器：首先对原始图像按抽取的角度依次进行Radon变换，将结果顺次连接成为一维信号；其次利用稀疏保持映射方法对一维信号进行降维处理；最后训练基分类器：用最近邻分类算法对低维空间中的图像信号进行分类，计算基分类器h_t对应的权值：其中，m为基分类器中训练样本的个数，对于其中第i个样本x_i，若该样本在基分类器h_t下分类正确，则令f(x_i)＝1,若分类不正确则令f(x_i)＝‑1；对T个权值进行归一化处理：其中，a_t’为归一化后所对应基分类器的权值，t为迭代次数，取值为1…T；步骤四、集成分类器进行分类识别将所有的基分类器组成最终的综合分类器，对测试样本，用综合分类器进行分类，其最终分类结果如下：其中，Y为类别集合，y∈Y；t为迭代次数，取值为1…T；当基分类器h_t的分类结果与y相同时，||h_t(x)＝y||＝1；当基分类器h_t的分类结果与y不同时，||h_t(x)＝y||＝0；所述的对一维信号用稀疏保持映射方法进行降维处理的步骤如下：在稀疏保持映射中，要保存的最主要的特性就是通过稀疏权向量重建出的信号要尽可能的逼近原始信号，即要满足：其中W^T为映射矩阵W的转置，x_i为第i个样本，s_i为x_i的稀疏权向量，n为样本个数，X是训练集的集合；W是广义的特征向量问题XS_βX^TW＝λXX^TW的d个最大特征值所对应的特征向量，其中S_β＝S+S^T‑S^TS，X是训练集的集合，S是稀疏权矩阵。