)
[0067] 這里Si=[Si,i，Si,2，···，Si,i-1，···，Si,i+i，···，Si,m]是一個m維的向量，其中Si的第i個 元素為〇(表示 Xl已經(jīng)從字典X中移除）。
[0068] 步驟②.因此，稀疏權(quán)值矩陣可以表示如下：
[0069] S = [S1，S2,…，Sn] (9)
[0070] 稀疏保持距離度量需要充分保持原始樣本間的稀疏權(quán)值矩陣，使得樣本在新的度 量空間中，仍充分保持稀疏結(jié)構(gòu)化信息。
[0071 ]步驟S3，構(gòu)建稀疏保持優(yōu)化函數(shù)，使得在新構(gòu)建的距離度量空間中，樣本的稀疏結(jié) 構(gòu)化信息得以最大化的保存。
[0072]具體包括以下步驟：
[0073]步驟①.為了充分保持原始樣本間的稀疏結(jié)構(gòu)化信息，本發(fā)明假設(shè)在新的距離度 量空間中，WtXi盡可能的被wtXsi表示出。這樣稀疏結(jié)構(gòu)化信息即在新的度量空間中充分保 持，則本發(fā)明最小化以下目標(biāo)函數(shù)： 剛
(10)
[0075] 公式（10)旨在尋找一個投影矩陣W，使得在新的度量空間中，樣本間的稀疏權(quán)值向 量81盡可能的保持一致。稀疏權(quán)值矩陣包含所有樣本數(shù)據(jù)間的稀疏結(jié)構(gòu)化信息，其中的稀 疏系數(shù)衡量了兩個樣本間的相似程度。稀疏保持優(yōu)化函數(shù)盡可能的保持了樣本間的稀疏結(jié) 構(gòu)化信息，使得構(gòu)建的度量空間充分考慮到樣本的樣本在空間中的位置結(jié)構(gòu)。因此，新的度 量空間最大化的保持了樣本間的稀疏結(jié)構(gòu)化信息。
[0076] 步驟②.為了獲得公式（10)的更簡單的數(shù)學(xué)表示，本發(fā)明對公式（10)進行了如下 變換：
. (11)[0078] 其中ei為第i個元素為1，其余為0的向量。公式(11)可以轉(zhuǎn)化為如下最大化問題：
[0077] 剛
(12)
[0080] 最大化公式(12)使得度量空間盡可能的保存了樣本間的稀疏結(jié)構(gòu)化信息。
[0081] 步驟S4,利用正則化框架，將最大邊界理論與稀疏保持優(yōu)化函數(shù)結(jié)合，得到稀疏保 持距離度量。
[0082]具體包括以下步驟：
[0083]步驟①.為了獲得稀疏保持距離度量，本發(fā)明旨在利用最大邊界理論的同時，保持 樣本間的稀疏結(jié)構(gòu)化信息。因此定義目標(biāo)函數(shù)如下：
[0084] (13):
[0085]其中Md與Ms分別定義于公式(5)與公式(6)。且P = X(S+ST-STS)XT包含了樣本的稀疏 結(jié)構(gòu)化信息。α與β均是正則化參數(shù)，用來均衡各部分的比重，以得到最優(yōu)的度量空間。為了 防止公式(13)獲得退化的解，本發(fā)明增加了約束條件W TW=I。
[0086] 步驟②·求得公式（13)的最優(yōu)解為W= [wi，W2，…，wd]，其中wi，W2,…，wd是MD-aMs+β P大于〇的d個特征值對應(yīng)的特征向量，則距離度量矩陣為A=WWT。由此獲得了稀疏保持距離 度量的度量矩陣。
[0087]稀疏保持距離度量方法使用了最大邊界理論，使得最大化不同類樣本間距離之和 的同時最小化同類樣本間的距離。并通過保持樣本間的稀疏結(jié)構(gòu)化信息，使求得的度量空 間充分考慮了所有樣本的稀疏相關(guān)性。
[0088]步驟S5,使用恰當(dāng)?shù)奶卣髅枋鲎?，提取待識別人臉的圖像特征(具有更強判別性人 臉的圖像特征），并在稀疏保持距離度量下(將提取的人臉圖像特征在稀疏保持距離度量下 進行相似性度量計算），進行人臉識別實驗，對測試人臉數(shù)據(jù)進行分。
[0089]為進一步說明本發(fā)明方法的有效性，我們利用了公開的0RL和AR人臉數(shù)據(jù)集。0RL 人臉數(shù)據(jù)集共包含40個人對應(yīng)的400張人臉數(shù)據(jù)集，每個人對應(yīng)其中10張人臉數(shù)據(jù)。每個人 的所有人臉都是以不同角度、表情等拍攝采集的。AR人臉數(shù)據(jù)集共包含126個人對應(yīng)的4000 張人臉數(shù)據(jù)，去除被遮擋的人臉數(shù)據(jù)，共有120個人對應(yīng)的1680張人臉圖像數(shù)據(jù)。每個人包 含14張不同表情的人臉圖像。
[0090] 本文使用了 乂丨1^.?、1了1^、111順411(31丨(16&11等距離度量作為對比，本專利方法簡稱 為SPML，所有人臉數(shù)據(jù)被歸一化后使用了 PCA算法進行了預(yù)處理。本實驗隨機選擇了不同數(shù) 量的樣本作為訓(xùn)練樣本，同時根據(jù)訓(xùn)練樣本盡可能多的生成成對約束。在使用不同距離度 量算法求得新的距離度量后，使用1NN將人臉數(shù)據(jù)分類，從而實現(xiàn)人臉識別。
[0091] 圖3與圖4分別顯示了不同距離度量方法在0RL與AR人臉數(shù)據(jù)上的識別精度，實驗 中每個精度均是10次人臉識別實驗的平均值，由圖2、3可以看出本發(fā)明的方法識別精度高。
[0092] 上文所列出的一系列的詳細說明僅僅是針對本發(fā)明的可行性實施方式的具體說 明，它們并非用以限制本發(fā)明的保護范圍，凡未脫離本發(fā)明技藝精神所作的等效實施方式 或變更均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
[0093]對于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實施例的細節(jié)，而且在 不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明。因此，無論 從哪一點來看，均應(yīng)將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán) 利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有 變化囊括在本發(fā)明內(nèi)。
【主權(quán)項】
1. 一種基于稀疏保持距離度量的人臉識別方法，其特征在于，包括以下步驟： 步驟1，從所有已存儲人臉數(shù)據(jù)中提取帶標(biāo)簽信息的人臉數(shù)據(jù)，基于所述人臉數(shù)據(jù)，使 用最大邊界理論構(gòu)建距離度量算法的框架； 步驟2，使用稀疏表示理論，挖掘樣本間的稀疏結(jié)構(gòu)化信息，構(gòu)建稀疏權(quán)值矩陣； 步驟3,構(gòu)建稀疏保持優(yōu)化函數(shù)，使得在新構(gòu)建的距離度量空間中，樣本的稀疏結(jié)構(gòu)化 信息得以最大化的保存； 步驟4,利用正則化框架，將最大邊界理論與稀疏保持優(yōu)化函數(shù)結(jié)合，得到稀疏保持距 離度量； 步驟5，使用特征描述子，提取待識別人臉的圖像特征，并在稀疏保持距離度量下，進行 人臉識別實驗，對測試人臉數(shù)據(jù)進行分類。2. 根據(jù)權(quán)利要求1所述的一種基于稀疏保持距離度量的人臉識別方法，其特征在于，所 述步驟1具體包括： 根據(jù)樣本的標(biāo)簽信息，計算在使用距離度量矩陣A的情況下，不同類樣本間距離平方 和，計算公式為：其中，（Xl，Xj)eD表示樣本來自不同類，dA(Xl， Xj)表示在使用距離度量矩陣A的情 況下，樣本^與&之間的距離，T表示矩陣的轉(zhuǎn)置； 根據(jù)樣本的標(biāo)簽信息，計算在使用距離度量矩陣A的情況下，相同類樣本間距離平方 和，計算公式為：其中，（Xk，XI) e s表示樣本Xk與來自同一類，dA( Xk，XI)表示在使用距離度量矩陣A的情 況下，樣本^與^之間的距離，T表示矩陣的轉(zhuǎn)置； 使用最大邊界理論，構(gòu)建距離度量框架，使得在距離度量矩陣A下，不同類樣本間距離 之和最大的同時同類樣本間距離之和最小，距離度量框架如下：(Xi，Xj) ED表示樣本Xi與Xj來自不同類，（Xkjl) ' e S表示樣本Xk與?來自同一類，Nd為集合D中約束對的個數(shù)，Ns為集合S中約束對的個數(shù)，α 為正則化參數(shù)，權(quán)衡不同類樣本間距離之和與同類樣本間距離之和的比例； 將A = ffffT帶入公式(3)進行求解，通過矩陣的特征分解，求得最優(yōu)投影矩陣，進而得到 距離度量矩陣A;其中WT*W的轉(zhuǎn)置矩陣。3. 根據(jù)權(quán)利要求2所述的一種基于稀疏保持距離度量的人臉識別方法，其特征在于，所 述步驟3具體包括： 通過保持稀疏表不構(gòu)成樣本間稀疏權(quán)值關(guān)系，構(gòu)建稀疏保持優(yōu)化函數(shù)如下：式中，S1是除X1以外所有樣本線性組成^的稀疏系數(shù)，其表示^與其他所有樣本的稀疏 相關(guān)性;乂二匕^^…^一是由所有樣本組成的字典矩陣^為正整數(shù)； 對公式(10)進行等價變換如下：式中，S=[S1，S2,…，sn]是稀疏權(quán)值矩陣； 將公式(11)轉(zhuǎn)化為最大化問題并加入約束條件如下：式中，S是稀疏權(quán)值矩陣，X為字典矩陣，W為投影矩陣。4.根據(jù)權(quán)利要求3所述的一種基于稀疏保持距離度量的人臉識別方法，其特征在于，所 述步驟4具體包括： 將權(quán)利要求1步驟3中稀疏保持優(yōu)化函數(shù)通過正則化結(jié)構(gòu)加入距離度量框架中，得到稀 疏保持距離度量的目標(biāo)函數(shù)如下：且 P = X(S+ST-STS) ΧΤ，α與β均是正則化參數(shù)，用于均衡各部分的比重，以得到最優(yōu)的度量子空間。
【專利摘要】本發(fā)明提供了一種基于稀疏保持距離度量的人臉識別方法，包括：步驟1，從所有已存儲人臉數(shù)據(jù)中提取帶標(biāo)簽信息的人臉數(shù)據(jù)，基于人臉數(shù)據(jù)使用最大邊界理論構(gòu)建距離度量算法的框架；步驟2，使用稀疏表示理論，挖掘樣本間的稀疏結(jié)構(gòu)化信息，構(gòu)建稀疏權(quán)值矩陣；步驟3，構(gòu)建稀疏保持優(yōu)化函數(shù)，使得在新構(gòu)建的距離度量空間中，樣本的稀疏結(jié)構(gòu)化信息得以最大化的保存；步驟4，利用正則化框架，將最大邊界理論與稀疏保持優(yōu)化函數(shù)結(jié)合得到稀疏保持距離度量；步驟5，使用特征描述子，提取待識別人臉的圖像特征，并在稀疏保持距離度量下，進行人臉識別實驗，對測試人臉數(shù)據(jù)進行分類。本發(fā)明具有識別精度高，參數(shù)少并充分利用標(biāo)簽樣本與無標(biāo)簽樣本等優(yōu)點。
【IPC分類】G06K9/64, G06K9/00, G06K9/62
【公開號】CN105678260
【申請?zhí)枴緾N201610008056
【發(fā)明人】錢冬云
【申請人】浙江工貿(mào)職業(yè)技術(shù)學(xué)院
【公開日】2016年6月15日
【申請日】2016年1月7日