基于局部线性表示保留鉴别嵌入的人脸识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107506744A(43)申请公布日2017.12.22(21)申请号201710800577.4(22)申请日2017.09.07(71)申请人南京信息工程大学地址210044江苏省南京市宁六路219号(72)发明人刘茜(74)专利代理机构江苏爱信律师事务所32241代理人唐小红(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书4页附图1页(54)发明名称基于局部线性表示保留鉴别嵌入的人脸识别方法(57)摘要本发明公开了基于局部线性表示保留鉴别嵌入的人脸识别方法，该方法对每个训练样本使用其少量近邻训练样本来线性表示该训练样本，并对所有训练样本及其线性表示进行局部鉴别嵌入。本发明相较于现有技术可以大大减少计算时间，有效提高识别结果。CN107506744ACN107506744A权利要求书1/2页1.基于局部线性表示保留鉴别嵌入的人脸识别方法，其特征在于，设X＝[X1,X2,...,Xc]表示包含c个类别的训练样本集，表示第i个类别dd的训练样本，Xi包含Ni个样本，xij∈R，R表示d维的实向量集合，表示第i类的第j个训练样本，y∈Rd表示一个待识别样本；具体步骤如下：第一步，计算训练样本xij到其他每个训练样本的距离，如下：根据xij到其他每个训练样本距离的大小，选择K个近邻训练样本(到xij的距离最小，到xij的距离第二小，以此类推；K是一个可调参数)；令第二步，通过求解下面的问题获得训练样本xij的一组线性表示系数第三步，对训练样本及其线性表示进行局部鉴别嵌入：其中，v∈Rd是线性投影向量，公式(3)可以转换为N×N其中，Dbl,Dbr,Dwl,Dwr∈R是四个对角矩阵，对角元素值分别为满足公式(4)的解v*通过对矩阵进行特征分解得到；第四步，当已经得到矩阵的前m个最大特征值对应的特征向量vk(k＝1,2,…,m)时，这里m是一个可调参数，令V＝[v1,2CN107506744A权利要求书2/2页TTv2,…,vm]，得到投影后的训练样本特征集ZX＝VX和待识别样本特征Zy＝Vy；计算zy到每一个训练样本特征的距离，将y归到距离最小的那个训练样本所在的类。3CN107506744A说明书1/4页基于局部线性表示保留鉴别嵌入的人脸识别方法技术领域[0001]本发明具体涉及基于局部线性表示保留鉴别嵌入的人脸识别方法，属于人脸识别技术领域。背景技术[0002](1)稀疏保留投影方法(SPP，L.Qiao,S.Chen,X.Tan“,SparsityPreservingProjectionswithApplicationstoFaceRecognition”,PatternRecognition,vol.43,no.1,pp.331-341,2010)：dd[0003]设X＝[X1,X2,...,XN]表示包含N个样本的训练样本集，xi∈R(R表示d维的实向量集合)表示第i个训练样本。T[0004]SPP首先通过求解下面的问题获得训练样本xi的稀疏系数αi＝[α1i,α2i,…,αNi]∈RN：[0005][0006]其中，ε＞0是一个比较小的正实数，用于控制稀疏重构的误差；E∈RN是一个所有元素值全为1的列向量；αii＝0。然后，SPP通过求解下面的问题获得最优线性投影向量u：[0007][0008](2)稀疏保留投影方法的不足、改进点：[0009]稀疏保留投影方法存在两个问题：(a)计算稀疏系数的时间复杂度很高，随着训练样本个数的增长，计算时间呈指数阶增长，而根据稀疏表示的原理，训练样本个数至少要比较接近d，才能保证在ε比较小的情况下，满足||xi-Xαi||＜ε，但是d通常都是比较大的数字；(b)稀疏保留投影方法是无监督的线性投影方法，识别效果通常低于有监督的方法。[0010]通过实验验证，稀疏系数αi中的非零系数主要对应于训练样本xi的少量近邻训练样本。基于局部线性表示保留鉴别嵌入的人脸识别方法使用训练样本xi的少量近邻训练样本来线性表示训练样本xi，并对所有训练样本及其线性表示进行局部鉴别嵌入。与稀疏保留投影方法相比，一方面，基于局部线性表示保留鉴别嵌入的人脸识别方法只需要计算少量近邻训练样本的线性表示系数，可以大大减少计算时间；另一方面，基于局部线性表示保留鉴别嵌入的人脸识别方法使用了有监督的局部鉴别嵌入技术，可以有效地提高识别结果。发明内容[0011]基于局部线性表示保留鉴别嵌入的人脸识别方法对每个训练样本使用其少量近邻训练样本来线性表示该训练样本，并对所有训练样本及其线性表示进行局部鉴别嵌入。与稀疏保留投影方法相比，基于局部线性表示保留鉴别嵌入的人脸识别方法可以大大减少4C