CN107480623A - 基于协作表示的近邻保持人脸识别方法 - Google Patents
基于协作表示的近邻保持人脸识别方法 Download PDFInfo
- Publication number
- CN107480623A CN107480623A CN201710671065.2A CN201710671065A CN107480623A CN 107480623 A CN107480623 A CN 107480623A CN 201710671065 A CN201710671065 A CN 201710671065A CN 107480623 A CN107480623 A CN 107480623A
- Authority
- CN
- China
- Prior art keywords
- class
- matrix
- sample
- dimensionality reduction
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于协作表示的近邻保持人脸识别方法,实现步骤:1、划分数据库样本集;2、组成样本矩阵;3、计算初始投影矩阵;4、计算初始降维后的训练样本矩阵;5、计算初始降维后训练样本的权值矩阵;6、构建近邻保持图;7、计算近邻保持图的拉普拉斯矩阵;8、计算初始降维后训练样本的迹差矩阵;9、计算二次投影矩阵;10、计算二次降维后的训练样本矩阵;11、对测试样本进行降维及分类。本发明在样本有标签的情况下,利用样本的协作表示关系构造类内近邻保持图和类间近邻保持图,保持了样本的局部信息和全局信息,再利用近邻保持投影,有效地实现了对人脸特征的降维,同时,本发明对人脸图像识别具有很好的实时性。
Description
技术领域
发明属于图像处理技术领域,更进一步涉及模式识别技术领域中的一种基于协作表示的近邻保持人脸识别方法。本发明可用于视频监控环境下的人脸识别。
技术背景
人脸识别是数据降维的一个重要应用领域,它是基于人的脸部特征信息进行身份识别的一种生物识别技术,它由计算机分析人脸图像,从图像中提取有效信息并自动鉴别,人脸识别技术广泛应用于安全系统及人机交互等方面,已成为计算机视觉和模式识别领域中重要的研究课题之一。通常而言人脸图像都是以高维数据存储的,需要将训练数据集投影到低维空间进行降维。
基于人脸特征的方法需要对人脸进行特征降维,常用的特征降维技术包括:线性判别分析(LDA),局部保持投影(LPP),近邻保持投影(NPE),边缘费舍尔分析(MFA)等,由上述方法提取出来的特征可以用包括最近邻和最近子空间在内的简单分类器进行识别。这些方法存在的不足是,基于特征的方法在图像存在噪声时,提取的特征受到噪声的影响很大,从而导致该方法在图像含有噪声时因鲁棒性不强降低了人脸识别精度。基于协作表示的分类方法CRC是一种新提出的分类方法,但是该方法是一种不降维的分类方法。近年来,李伟等人提出了基于协作表示的判别分析方法(CGDA),但是该方法仅考虑了同一类样本之间的协作表示关系,忽略了不同类样本之间的协作表示关系,因此该方法的分类识别效果不理想。
苏州大学在其申请的专利文献“一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器”(公开号CN103793704A,申请号201410087724.4)中公开一种监督邻域保持嵌入人脸识别方法。该方法首先对训练样本集进行初始降维,并采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记,接着进行二次降维,最后提取与所述二次降维测试样本距离最近的二次降维训练样本,并把所述二次降维训练样本的类别标签赋予所述二次降维测试样本。该方法存在的不足之处是:在对样本进行线性重构时,忽略了样本之间的全局信息,使得分类效果不理想。
乔立山等人在其发表的论文“Sparsity preserving projections withapplicationsto face recognition.”(Pattern Recognition,43(1),331-341 2010)中提出一种基于稀疏表示的人脸识别方法。该方法首先将训练样本矩阵和测试样本矩阵进行初始降维,并对其进行归一化处理;然后,用训练样本矩阵对测试样本矩阵进行稀疏表示;最后,求得各类别重构样本与原测试样本的残差,带入类别判定公式得到识别结果。该方法存在的不足之处是,由于该方法是一种无监督的稀疏表示方法,该采用了迭代求解方法在求解权值矩阵,降低了人脸识别的准确率和实时性。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于协作表示的近邻保持人脸识别方法。本发明在样本有标签的情况下,利用样本的协作表示关系构造类内近邻保持图和类间近邻保持图,保持了样本的局部信息和全局信息,再利用近邻保持投影,有效地实现了对人脸特征的降维,为后续的人脸识别提供更有效的判别信息,同时,本发明对于人脸图像识别具有很好的实时性。
本发明实现的具体步骤如下:
(1)划分数据库样本集:
从人脸图像集中依次提取所有已知标签样本组成含有C类样本的训练集,将人脸图像集中所有的未知标签样本组成测试集;
(2)获取样本矩阵:
(2a)按列取出训练集中的单幅人脸图像像素点的灰度特征值,排列成一个列向量,遍历训练集图像,将得到的所有列向量组成训练样本矩阵;
(2b)按列取出测试集中的单幅人脸图像像素点的灰度特征值,排列成一个列向量,遍历测试集图像,将得到的所有列向量组成测试样本矩阵;
(3)计算初始投影矩阵:
采用主成分分析方法PCA,对训练样本集的协方差矩阵进行奇异值分解,保留奇异值分解得到的99%特征值能量,将保留特征值所对应的特征向量组成初始投影矩阵;
(4)按下式,计算初始降维后的训练样本矩阵:
其中,X表示初始降维后的训练样本矩阵,WP表示初始投影矩阵,T表示转置操作,表示训练样本矩阵;
(5)计算初始降维后训练样本的权值矩阵:
(5a)采用类内协作表示法,计算初始降维后训练样本的类内权值矩阵;
(5b)采用类间协作表示法,计算初始降维后训练样本的类间权值矩阵;
(6)构建近邻保持图:
(6a)将初始降维后的每个训练样本与其同类的样本连接后,构成类内近邻保持图;
(6b)将初始降维后的每个训练样本与其不同类样本连接后,构成类间近邻保持图;
(7)计算近邻保持图的拉普拉斯矩阵:
(7a)利用类内近邻保持公式,计算组成类内近邻保持图的拉普拉斯矩阵;
(7b)利用类间近邻保持公式,计算组成类间近邻保持图的拉普拉斯矩阵;
(8)利用迹差矩阵公式,计算初始降维后训练样本的迹差矩阵;
(9)利用广义特征值分解方法,计算二次投影矩阵;
(10)按照下式,计算二次降维后的训练样本矩阵:
Y=PTX
其中,Y表示二次降维后的训练样本矩阵,P表示二次投影矩阵;
(11)对测试样本进行识别分类:
对测试样本进行初始降维和二次降维后,采用最近邻分类器,提取距离其最近的二次降维后训练样本的标签,将标签赋予测试样本,输出人脸图像测试样本的类别。
与现有技术相比本发明有以下优点:
第一,由于本发明采用了协作表示方法构造权值矩阵,克服了现有技术因迭代求解权值矩阵而导致效率低下的问题,使得本发明在人脸识别上具有很好的实时性。
第二,由于本发明构建了类内近邻保持图和类间近邻保持图,通过得到近邻保持图的拉普拉斯矩阵,保持了样本的全局信息和局部信息,克服了现有技术因缺乏样本的全局信息而无法充分利用样本的判别信息的不足,使得本发明提高了人脸的识别率。
附图说明
图1是本发明的流程图;
图2是本发明的仿真结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,对本发明做进一步的详细描述。
步骤1,划分数据库样本集。
从人脸图像集中依次提取所有已知标签样本组成含有C类样本的训练集,将人脸图像集中所有的未知标签样本组成测试集。
步骤2,获取样本矩阵。
按列取出训练集中的单幅人脸图像像素点的灰度特征值,排列成一个列向量,遍历训练集图像,将得到的所有列向量组成训练样本矩阵。
按列取出测试集中的单幅人脸图像像素点的灰度特征值,排列成一个列向量,遍历测试集图像,将得到的所有列向量组成测试样本矩阵。
步骤3,计算初始投影矩阵。
采用主成分分析方法PCA,对训练样本集的协方差矩阵进行奇异值分解,保留奇异值分解得到的99%特征值能量,将保留特征值所对应的特征向量组成初始投影矩阵。
步骤4,按下式,计算初始降维后的训练样本矩阵。
其中,X表示初始降维后的训练样本矩阵,WP表示初始投影矩阵,T表示转置操作,表示训练样本矩阵。
步骤5,计算初始降维后训练样本的权值矩阵。
采用类内协作表示法,计算初始降维后训练样本的类内权值矩阵。
所述的类内协作表示法的具体步骤如下:
第一步,按照下式,计算初始降维后训练样本中所有样本的类内重构向量:
其中,表示初始降维后训练样本中第i类的第j个样本的类内重构向量,Xi表示初始降维后训练样本的第i类中除第j个样本外的其余样本,λ表示拉格朗日乘子,I表示单位矩阵,(·)-1表示取逆操作,表示初始降维后训练样本中第i类的第j个样本;
第二步,在初始降维后训练样本中的类内重构向量的第j个位置插入0,得到初始降维后训练样本的类内协作表示向量;
第三步,将初始降维后每个训练样本的类内协作表示向量,组合成初始降维后所有训练样本的类内权值矩阵。
采用类间协作表示法,计算初始降维后训练样本的类间权值矩阵。
所述的采用类间协作表示法的具体步骤如下:
第一步,按照下式,计算初始降维后训练样本中每个样本的类间重构向量:
其中,表示初始降维后训练样本中第i类的第j个样本的类间重构向量,Xi表示初始降维后训练样本中除第i类样本外的其余样本;
第二步,在初始降维后训练样本的类间重构向量的第(i-1)*N+1个位置上插入N个0,得到初始降维后训练样本的类间协作表示向量,其中N表示每类样本个数;
第三步,将初始降维后每个训练样本的类间协作表示向量,组合成初始降维后所有训练样本的类间权值矩阵。
步骤6,构建近邻保持图。
将初始降维后的每个训练样本与其同类的样本连接后,构成类内近邻保持图。
将初始降维后的每个训练样本与其不同类样本连接后,构成类间近邻保持图。
步骤7,计算近邻保持图的拉普拉斯矩阵。
利用类内近邻保持公式,计算组成类内近邻保持图的拉普拉斯矩阵。
所述的类内近邻保持公式如下:
Ms=(I-Ws)T(I-Ws)
其中,Ms表示组成类内近邻保持图的拉普拉斯矩阵,Ws表示初始降维后训练样本的类内权值矩阵。
利用类间近邻保持公式,计算组成类间近邻保持图的拉普拉斯矩阵。
所述的类间近邻保持公式如下:
Mb=(I-Wb)T(I-Wb)
其中,Mb表示组成类间近邻保持图的拉普拉斯矩阵,Wb表示初始降维后训练样本的类间权值矩阵。
步骤8,用迹差矩阵公式,计算初始降维后训练样本的迹差矩阵。
所述的迹差矩阵公式如下:
M=Mb-γMs
其中,M表示初始降维后训练样本的迹差矩阵,γ表示在[10,20]区间,随机设置的平衡类间近邻保持图与类内近邻保持图的调节参数。
步骤9,利用广义特征值分解方法,计算二次投影矩阵。
所述的广义特征值分解方法的具体步骤如下:
第一步,按照下式,计算广义特征值分解得到的特征值和特征向量:
XMXTp=ΛXXTp
其中,p表示迹差矩阵的特征向量,Λ表示迹差矩阵的特征值;
第二步,将求解得到的特征值按绝对值从大到小的顺序排列,将排列后的前r个特征值对应的特征向量顺序排列,得到二次投影矩阵,其中r表示二次投影后的特征维数。
步骤10,按照下式,计算二次降维后的训练样本矩阵。
Y=PTX
其中,Y表示二次降维后的训练样本矩阵,P表示二次投影矩阵。
步骤11,对测试样本进行识别分类。
对测试样本进行初始降维和二次降维后,采用最近邻分类器,提取距离其最近的二次降维后训练样本的标签,将标签赋予测试样本,输出人脸图像测试样本的类别。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真实验条件:
本发明的仿真实验是在Hp Compaq 6280Pro MT PC,4G内存的计算机上进行的,应用MATLAB R2014a软件进行实现。
测试对象为ORL数据库、UMIST数据库和BANCA数据库。
ORL数据库是由Olivetti实验室创建的,该数据库总共含有400幅图像,每个人有十幅共40个人的面部图像。这些图像包括了面部表情,光照条件以及睁眼或者闭眼,每张人脸图像大小为32×32维。
UMIST数据库由曼彻斯特大学创建,拍摄了20个人的不同表情的变化,总共564张图像,每张人脸图像大小为56×46维。
BANCA数据库是由欧洲BANCA项目创建的,拍摄了208个人不同时间、不同状态、不同质量、不同光照、不同表情的标准人脸图像。从中随机选择52个人的人脸图像,其中包含不同年龄、不同性别的对象。每人10幅图组成一个520幅图的数据集,每张人脸图像大小为56×46维。
2.仿真实验内容:
仿真实验1:
采用本发明和现有技术的基于协作表示的判别分析方法CGDA、边缘费舍尔分析方法MFA、稀疏保持投影方法SPP、近邻保持投影NPE以及基于协作表示的分类方法CRC,分别对ORL数据库,UMIST数据库以及BANCA数据库进行仿真,求取人脸识别的平均识别率。
在ORL数据库中,随机选取每一类的4个样本、5个样本、6个样本形成有标记的训练样本集,其余样本作为测试样本集。在UMIST数据库中,随机选取每一类的4个样本、5个样本、6个样本形成有标记的训练样本集,其余样本作为测试样本集。在BANCA数据库中,随机选取每一类的4个样本、5个样本、6个样本形成有标记的训练样本集,其余样本作为测试样本集。
本发明的仿真实验1在对ORL人脸数据库、UMIST数据库以及BANCA数据库进行识别的过程中,参数设置如下:
拉格朗日乘子λ=0.1,平衡类间近邻保持图与类内近邻保持图的调节参数γ=15。
将本发明的仿真实验结果取10次平均,各方法在每个数据库上的平均识别率结果如表1所示。
从表1可见,在ORL、UMIST、BANCA人脸数据库上随机选择4个训练样本、5个训练样本、6个训练样本时,本发明的平均识别率都要高于现有方法的识别率。同时,随着训练样本数量增多,分类准确率会明显提高。由此可见本发明的识别效果是六种方法中最好的。特别的,本发明的识别效果优于基于协作表示的分类方法CRC,CRC是一种不降维的分类方法,而本发明采用协作表示方法,同时将样本映射到低维空间,有效的保持了样本的全局信息和局部信息,由此可见,基于协作的降维分类方法要优于基于协作的不降维的分类方法。
表1.各方法在ORL、UMIST、BANCA人脸数据库上的平均识别率(%)
CRC | NPE | SPP | MFA | CGDA | 本发明 | |
4ORL | 79.00 | 88.17 | 85.71 | 91.21 | 89.25 | 93.92 |
5ORL | 81.30 | 91.90 | 89.15 | 94.10 | 92.45 | 96.45 |
6ORL | 84.50 | 94.50 | 91.00 | 96.06 | 96.00 | 97.56 |
4UMSIT | 73.01 | 77.89 | 74.09 | 84.90 | 78.39 | 87.54 |
5UMSIT | 80.59 | 86.36 | 80.80 | 90.78 | 86.55 | 92.20 |
6UMSIT | 84.50 | 94.50 | 91.00 | 96.06 | 96.00 | 97.56 |
4BANCA | 46.03 | 66.63 | 54.04 | 73.01 | 67.37 | 77.08 |
5BANCA | 45.92 | 72.54 | 57.65 | 77.62 | 73.73 | 82.08 |
6BANCA | 47.74 | 78.13 | 60.72 | 80.67 | 79.47 | 85.94 |
仿真实验2:
采用本发明和现有技术的基于协作表示的判别分析方法CGDA、边缘费舍尔分析方法MFA、稀疏保持投影方法SPP、近邻保持投影NPE以及基于协作表示的分类方法CRC,分别对ORL人脸数据库,UMIST人脸数据库以及BANCA人脸数据库进行仿真,求取人脸分类准确率与所降维数的关系。
分别在ORL数据库、UMIST数据库以及BANCA数据库中,随机选取每一类的4个样本形成有标记的训练样本集,其余样本作为测试样本集。
本发明的仿真实验2在对ORL数据库、UMIST数据库以及BANCA数据库的样本进行识别过程中,参数选择如下:
拉格朗日乘子λ=0.1,平衡类间近邻保持图与类内近邻保持图的调节参数γ=15。
将本发明的仿真实验2的结果取10次平均,得到了人脸分类准确率随维数变化的分类曲线图如图2所示。其中,图2(a)表示在ORL数据库上的人脸分类准确率随维数变化的曲线结果图,图2(b)表示在UMIST数据库上的人脸分类准确率随维数变化的直方图结果图,图2(c)表示在BANCA数据库上的人脸分类准确率随维数变化的曲线结果图。
在图2(a)中的横坐标表示维数,纵坐标表示分类准确率。图2(a)中以“·”标示的曲线表示采用CRC方法获得的识别率随维数变化曲线,以“△”标示的曲线表示采用NPE方法获得的识别率随维数变化曲线,以“▽”标示的曲线表示采用SPP方法获得的识别率随维数变化曲线,以“☆”标示的曲线表示采用MFA方法获得的识别率随维数变化曲线,以“+”标示的曲线表示采用CGDA方法获得的识别率随维数变化曲线,以“o”标示的曲线表示采用本发明获得的识别率随维数变化曲线。
在图2(b)中的横坐标表示维数,纵坐标表示分类准确率。图2(b)中以“·”标示的曲线表示采用CRC方法获得的识别率随维数变化曲线,以“△”标示的曲线表示采用NPE方法获得的识别率随维数变化曲线,以“▽”标示的曲线表示采用SPP方法获得的识别率随维数变化曲线,以“☆”标示的曲线表示采用MFA方法获得的识别率随维数变化曲线,以“+”标示的曲线表示采用CGDA方法获得的识别率随维数变化曲线,以“o”标示的曲线表示采用本发明获得的识别率随维数变化曲线。
在图2(c)中的横坐标表示维数,纵坐标表示分类准确率。图2(c)中以“·”标示的曲线表示采用CRC方法获得的识别率随维数变化曲线,以“△”标示的曲线表示采用NPE方法获得的识别率随维数变化曲线,以“▽”标示的曲线表示采用SPP方法获得的识别率随维数变化曲线,以“☆”标示的曲线表示采用MFA方法获得的识别率随维数变化曲线,以“+”标示的曲线表示采用CGDA方法获得的识别率随维数变化曲线,以“o”标示的曲线表示采用本发明获得的识别率随维数变化曲线。
从图2(a)、图2(b)和图2(c)中可以得到如下结论:本发明的分类准确率在降维后也要优于其他五种方法。
仿真实验3:
采用本发明和现有技术的基于协作表示的判别分析方法CGDA、边缘费舍尔分析方法MFA、稀疏保持投影方法SPP、近邻保持投影NPE以及基于协作表示的分类方法CRC,对UMIST人脸数据库进行仿真,求取一张人脸图像进行单次降维所需要的训练时间。
分别在ORL数据库、UMIST数据库以及BANCA数据库中,随机选取每一类的4个样本形成有标记的训练样本集,其余样本作为测试样本集。
本发明的仿真实验在ORL数据库、UMIST数据库以及BANCA数据库的样本进行识别过程中,参数选择如下:
拉格朗日乘子λ=0.1,平衡类间近邻保持图与类内近邻保持图的调节参数γ=15。
将本发明的仿真实验结果取10次平均,在ORL数据库、UMIST数据库以及BANCA数据库上选取4个训练样本进行单次降维所需的训练时间如表3所示。
表3.各方法在ORL数据库、UMIST数据库以及BANCA数据库上进行单
次降维所需的训练时间(单位:秒)
CRC | NPE | SPP | MFA | CGDA | 本发明 | |
ORL | 0.193 | 0.576 | 6.496 | 0.409 | 0.749 | 0.825 |
UMIST | 0.243 | 0.417 | 1.901 | 0.450 | 0.521 | 0.479 |
BANCA | 0.261 | 0.343 | 12.482 | 0.399 | 1.451 | 1.412 |
从表3中可以看出,本发明的训练时间与现有的CRC、NPE、MFA以及CGDA这四种方法的训练时间相近,却明显优于采用迭代求解权值矩阵的SPP方法,说明本发明在人脸识别上能达到较好的实时性。
Claims (7)
1.一种基于协作表示的近邻保持人脸识别方法,包括如下步骤:
(1)划分数据库样本集:
从人脸图像集中依次提取所有已知标签样本组成含有C类样本的训练集,将人脸图像集中所有的未知标签样本组成测试集;
(2)获取样本矩阵:
(2a)按列取出训练集中的单幅人脸图像像素点的灰度特征值,排列成一个列向量,遍历训练集图像,将得到的所有列向量组成训练样本矩阵;
(2b)按列取出测试集中的单幅人脸图像像素点的灰度特征值,排列成一个列向量,遍历测试集图像,将得到的所有列向量组成测试样本矩阵;
(3)计算初始投影矩阵:
采用主成分分析方法PCA,对训练样本集的协方差矩阵进行奇异值分解,保留奇异值分解得到的99%特征值能量,将保留特征值所对应的特征向量组成初始投影矩阵;
(4)按照下式,计算初始降维后的训练样本矩阵:
<mrow>
<mi>X</mi>
<mo>=</mo>
<msubsup>
<mi>W</mi>
<mi>P</mi>
<mi>T</mi>
</msubsup>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
其中,X表示初始降维后的训练样本矩阵,WP表示初始投影矩阵,T表示转置操作,表示训练样本矩阵;
(5)计算初始降维后训练样本的权值矩阵:
(5a)采用类内协作表示法,计算初始降维后训练样本的类内权值矩阵;
(5b)采用类间协作表示法,计算初始降维后训练样本的类间权值矩阵;
(6)构建近邻保持图:
(6a)将初始降维后的每个训练样本与其同类的样本连接后,构成类内近邻保持图;
(6b)将初始降维后的每个训练样本与其不同类样本连接后,构成类间近邻保持图;
(7)计算近邻保持图的拉普拉斯矩阵:
(7a)利用类内近邻保持公式,计算组成类内近邻保持图的拉普拉斯矩阵;
(7b)利用类间近邻保持公式,计算组成类间近邻保持图的拉普拉斯矩阵;
(8)利用迹差矩阵公式,计算初始降维后训练样本的迹差矩阵;
(9)利用广义特征值分解方法,计算二次投影矩阵;
(10)按照下式,计算二次降维后的训练样本矩阵:
Y=PTX
其中,Y表示二次降维后的训练样本矩阵,P表示二次投影矩阵;
(11)对测试样本进行识别分类:
对测试样本进行初始降维和二次降维后,采用最近邻分类器,提取距离其最近的二次降维后训练样本的标签,将标签赋予测试样本,输出人脸图像测试样本的类别。
2.根据权利要求1所述的基于协作表示的近邻保持人脸识别方法,其特征在于:步骤(5a)中所述的类内协作表示法的具体步骤如下:
第一步,按照下式,计算初始降维后训练样本中所有样本的类内重构向量:
<mrow>
<msubsup>
<mover>
<mi>&alpha;</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
</mrow>
其中,表示初始降维后训练样本中第i类的第j个样本的类内重构向量,Xi表示初始降维后训练样本的第i类中除第j个样本外的其余样本,λ表示拉格朗日乘子,I表示单位矩阵,(·)-1表示取逆操作,表示初始降维后训练样本中第i类的第j个样本;
第二步,在初始降维后训练样本中的类内重构向量的第j个位置插入0,得到初始降维后训练样本的类内协作表示向量;
第三步,将初始降维后每个训练样本的类内协作表示向量,组合成初始降维后所有训练样本的类内权值矩阵。
3.根据权利要求1所述的基于协作表示的近邻保持人脸识别方法,其特征在于:步骤(5b)中所述类间协作表示法的具体步骤如下:
第一步,按照下式,计算初始降维后训练样本中每个样本的类间重构向量:
<mrow>
<msubsup>
<mover>
<mi>&beta;</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>i</mi>
</msup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>X</mi>
<mi>i</mi>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>i</mi>
</msup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
</mrow>
其中,表示初始降维后训练样本中第i类的第j个样本的类间重构向量,Xi表示初始降维后训练样本中除第i类样本外的其余样本;
第二步,在初始降维后训练样本的类间重构向量的第(i-1)*N+1个位置上插入N个0,得到初始降维后训练样本的类间协作表示向量,其中N表示每类训练样本的个数;
第三步,将初始降维后每个训练样本的类间协作表示向量,组合成初始降维后所有训练样本的类间权值矩阵。
4.根据权利要求1所述的基于协作表示的近邻保持人脸识别方法,其特征在于:步骤(7a)中所述的类内近邻保持公式如下:
Ms=(I-Ws)T(I-Ws)
其中,Ms表示组成类内近邻保持图的拉普拉斯矩阵,Ws表示初始降维后训练样本的类内权值矩阵。
5.根据权利要求1所述的基于协作表示的近邻保持人脸识别方法,其特征在于:步骤(7b)中所述的类间近邻保持公式如下:
Mb=(I-Wb)T(I-Wb)
其中,Mb表示组成类间近邻保持图的拉普拉斯矩阵,Wb表示初始降维后训练样本的类间权值矩阵。
6.根据权利要求1所述的基于协作表示的近邻保持人脸识别方法,其特征在于:步骤(8)中所述的迹差矩阵公式如下:
M=Mb-γMs
其中,M表示初始降维后训练样本的迹差矩阵,γ表示在[10,20]区间,随机设置的平衡类间近邻保持图与类内近邻保持图的调节参数。
7.根据权利要求1所述的基于协作表示的近邻保持人脸识别方法,其特征在于:步骤(9)中所述的广义特征值分解方法的具体步骤如下:
第一步,按照下式,计算广义特征值分解得到的特征值和特征向量:
XMXTp=ΛXXTp
其中,p表示分解得到的特征向量,Λ表示分解得到的特征值;
第二步,将求解得到的特征值按绝对值从大到小的顺序排列,将排列后的前r个特征值对应的特征向量顺序排列,得到二次投影矩阵,其中r表示二次投影后的特征维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710671065.2A CN107480623B (zh) | 2017-08-07 | 2017-08-07 | 基于协作表示的近邻保持人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710671065.2A CN107480623B (zh) | 2017-08-07 | 2017-08-07 | 基于协作表示的近邻保持人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480623A true CN107480623A (zh) | 2017-12-15 |
CN107480623B CN107480623B (zh) | 2020-01-07 |
Family
ID=60599898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710671065.2A Active CN107480623B (zh) | 2017-08-07 | 2017-08-07 | 基于协作表示的近邻保持人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480623B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840567A (zh) * | 2018-11-16 | 2019-06-04 | 中电科新型智慧城市研究院有限公司 | 一种基于最优协同表示的稳健判别特征提取方法 |
CN112070023A (zh) * | 2020-09-09 | 2020-12-11 | 郑州轻工业大学 | 一种邻域先验嵌入型协同表示模式识别方法 |
CN112116017A (zh) * | 2020-09-25 | 2020-12-22 | 西安电子科技大学 | 基于核保持的数据降维方法 |
CN112257600A (zh) * | 2020-10-22 | 2021-01-22 | 苏州天可智能科技有限公司 | 一种人脸识别方法及系统 |
CN112966734A (zh) * | 2020-11-20 | 2021-06-15 | 扬州大学 | 一种基于分数阶谱的判别多重集典型相关分析方法 |
CN113033690A (zh) * | 2021-04-07 | 2021-06-25 | 东北大学 | 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法 |
CN113378807A (zh) * | 2021-08-16 | 2021-09-10 | 之江实验室 | 一种类一致邻域的连续谱投影图像识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187986A (zh) * | 2007-11-27 | 2008-05-28 | 海信集团有限公司 | 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法 |
US8321358B2 (en) * | 2009-10-26 | 2012-11-27 | Hon Hai Precision Industry Co., Ltd. | Interpersonal relationships analysis system and method which computes distances between people in an image |
CN103514443A (zh) * | 2013-10-15 | 2014-01-15 | 中国矿业大学 | 一种基于lpp特征提取的单样本人脸识别迁移学习方法 |
CN103577839A (zh) * | 2013-11-28 | 2014-02-12 | 苏州大学 | 一种邻域保持判别嵌入人脸识别方法及系统 |
CN103679161A (zh) * | 2014-01-03 | 2014-03-26 | 苏州大学 | 一种人脸识别方法和装置 |
CN104616000A (zh) * | 2015-02-27 | 2015-05-13 | 苏州大学 | 一种人脸识别方法和装置 |
CN104899578A (zh) * | 2015-06-26 | 2015-09-09 | 苏州大学张家港工业技术研究院 | 一种人脸识别的方法及装置 |
CN106127131A (zh) * | 2016-06-17 | 2016-11-16 | 安徽理工大学 | 一种基于互信息无参数局部保持投影算法的人脸识别方法 |
CN106295694A (zh) * | 2016-08-05 | 2017-01-04 | 浙江工业大学 | 一种迭代重约束组稀疏表示分类的人脸识别方法 |
JP2017027568A (ja) * | 2015-07-27 | 2017-02-02 | 守男 望月 | 万引防止牽制システム |
-
2017
- 2017-08-07 CN CN201710671065.2A patent/CN107480623B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187986A (zh) * | 2007-11-27 | 2008-05-28 | 海信集团有限公司 | 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法 |
US8321358B2 (en) * | 2009-10-26 | 2012-11-27 | Hon Hai Precision Industry Co., Ltd. | Interpersonal relationships analysis system and method which computes distances between people in an image |
CN103514443A (zh) * | 2013-10-15 | 2014-01-15 | 中国矿业大学 | 一种基于lpp特征提取的单样本人脸识别迁移学习方法 |
CN103577839A (zh) * | 2013-11-28 | 2014-02-12 | 苏州大学 | 一种邻域保持判别嵌入人脸识别方法及系统 |
CN103679161A (zh) * | 2014-01-03 | 2014-03-26 | 苏州大学 | 一种人脸识别方法和装置 |
CN104616000A (zh) * | 2015-02-27 | 2015-05-13 | 苏州大学 | 一种人脸识别方法和装置 |
CN104899578A (zh) * | 2015-06-26 | 2015-09-09 | 苏州大学张家港工业技术研究院 | 一种人脸识别的方法及装置 |
JP2017027568A (ja) * | 2015-07-27 | 2017-02-02 | 守男 望月 | 万引防止牽制システム |
CN106127131A (zh) * | 2016-06-17 | 2016-11-16 | 安徽理工大学 | 一种基于互信息无参数局部保持投影算法的人脸识别方法 |
CN106295694A (zh) * | 2016-08-05 | 2017-01-04 | 浙江工业大学 | 一种迭代重约束组稀疏表示分类的人脸识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840567B (zh) * | 2018-11-16 | 2021-12-17 | 中电科新型智慧城市研究院有限公司 | 一种基于最优协同表示的稳健判别特征提取方法 |
CN109840567A (zh) * | 2018-11-16 | 2019-06-04 | 中电科新型智慧城市研究院有限公司 | 一种基于最优协同表示的稳健判别特征提取方法 |
CN112070023A (zh) * | 2020-09-09 | 2020-12-11 | 郑州轻工业大学 | 一种邻域先验嵌入型协同表示模式识别方法 |
CN112116017A (zh) * | 2020-09-25 | 2020-12-22 | 西安电子科技大学 | 基于核保持的数据降维方法 |
CN112116017B (zh) * | 2020-09-25 | 2024-02-13 | 西安电子科技大学 | 基于核保持的图像数据降维方法 |
CN112257600B (zh) * | 2020-10-22 | 2022-06-28 | 武汉新可信息技术有限公司 | 一种人脸识别方法及系统 |
CN112257600A (zh) * | 2020-10-22 | 2021-01-22 | 苏州天可智能科技有限公司 | 一种人脸识别方法及系统 |
CN112966734A (zh) * | 2020-11-20 | 2021-06-15 | 扬州大学 | 一种基于分数阶谱的判别多重集典型相关分析方法 |
CN112966734B (zh) * | 2020-11-20 | 2023-09-15 | 扬州大学 | 一种基于分数阶谱的判别多重集典型相关分析方法 |
CN113033690A (zh) * | 2021-04-07 | 2021-06-25 | 东北大学 | 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法 |
CN113033690B (zh) * | 2021-04-07 | 2024-04-02 | 东北大学 | 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法 |
CN113378807A (zh) * | 2021-08-16 | 2021-09-10 | 之江实验室 | 一种类一致邻域的连续谱投影图像识别方法 |
CN113378807B (zh) * | 2021-08-16 | 2021-11-02 | 之江实验室 | 一种类一致邻域的连续谱投影图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107480623B (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480623A (zh) | 基于协作表示的近邻保持人脸识别方法 | |
CN105469034B (zh) | 基于加权式鉴别性稀疏约束非负矩阵分解的人脸识别方法 | |
CN104866810B (zh) | 一种深度卷积神经网络的人脸识别方法 | |
CN103955462B (zh) | 一种基于多视图和半监督学习机制的图像标注方法 | |
CN105678261B (zh) | 基于有监督图的直推式数据降维方法 | |
CN106570521B (zh) | 多语言场景字符识别方法及识别系统 | |
CN101667245B (zh) | 基于支持向量新颖检测分类器级联的人脸检测方法 | |
CN105335732B (zh) | 基于分块及鉴别非负矩阵分解的有遮挡人脸识别方法 | |
CN107451545B (zh) | 基于软标签下多通道判别非负矩阵分解的人脸识别方法 | |
CN105825511A (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN109241813B (zh) | 基于判别稀疏保持嵌入的非约束人脸图像降维方法 | |
CN104008394B (zh) | 基于近邻边界最大的半监督高光谱数据降维方法 | |
Danelljan et al. | Deep motion and appearance cues for visual tracking | |
CN107045640A (zh) | 一种用于图像识别的基于邻域保持和核子空间对齐的方法 | |
CN109871851A (zh) | 一种基于卷积神经网络算法的汉字书写规范性判定方法 | |
CN106897669A (zh) | 一种基于一致迭代多视角迁移学习的行人再辨识方法 | |
CN104239859B (zh) | 基于结构化因子分析的人脸识别方法 | |
CN105023006B (zh) | 基于增强型非参数最大边缘准则的人脸识别方法 | |
Zhan et al. | Semi-supervised classification of hyperspectral data based on generative adversarial networks and neighborhood majority voting | |
CN109086794B (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
CN109213853A (zh) | 一种基于cca算法的中文社区问答跨模态检索方法 | |
CN107273824A (zh) | 基于多尺度多方向局部二值模式的人脸识别方法 | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |