CN108399396A - 一种基于核方法和线性回归的人脸识别方法 - Google Patents
一种基于核方法和线性回归的人脸识别方法 Download PDFInfo
- Publication number
- CN108399396A CN108399396A CN201810232612.1A CN201810232612A CN108399396A CN 108399396 A CN108399396 A CN 108399396A CN 201810232612 A CN201810232612 A CN 201810232612A CN 108399396 A CN108399396 A CN 108399396A
- Authority
- CN
- China
- Prior art keywords
- sample
- class
- projection matrix
- reconstructed error
- core class
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于核方法和线性回归的人脸识别方法,包括步骤:首先通过非线性映射将训练样本和测试样本映射到一个高维核空间中;然后利用训练样本之间的协同表示构造核类间重构误差和核类内重构误差;通过最大化核类间重构误差和核类内重构误差的差值来求解最优投影矩阵;利用求得的投影矩阵对核特征空间中的高维样本数据进行降维;最后求解回归系数,对测试样本进行分类。本发明利用了不同类样本之间的协同表示作用,在高维核特征空间中构造投影矩阵,对样本数据进行降维的同时提取特征,能有效增强非线性处理能力,提高分类效率。
Description
技术领域
本发明涉及计算机视觉和模式识别领域,具体涉及一种基于核方法和线性回归的人脸识别方法。
背景技术
人脸识别技术具有丰富的理论研究价值与实用价值,已然成为科研学界与社会企业共同关注的热点技术。从广义上说,人脸识别框架可以由两个环节组成:特征提取与分类器。特征提取是指利用线性或者非线性的投影变换,挖掘隐藏在高维数据中有鉴别意义的特征。特征提取决定了人脸识别系统性能的优劣,因此研究意义重大。
一方面,由于人脸模式常常受光照、表情以及角度等因素影响而体现出高度的非线性特性,而线性的人脸识别方法,对人脸图像的非线性结构信息不能形成有效映射和鉴别。另一方面,将样本数据经过非线性映射到高维核空间后,这个核特征空间的维数非常高甚至可能是无限的。即使可以找到恰当的非线性映射,位于核空间的高维数据计算量庞大,降低了分类的效率。因此对高维核空间的数据进行降维同时提取特征十分必要。
发明内容
本发明要解决的技术问题在于:了解决现有技术中的上述缺陷,提供一种基于核方法和线性回归的人脸识别方法,利用了不同类样本之间的协同表示作用,在高维核特征空间中构造投影矩阵,对样本数据进行降维的同时提取特征,增强了非线性处理能力,提高了分类的效率。
为了解决上述技术问题,本发明提出以下技术方案:一种基于核方法和线性回归的人脸识别方法,所述人脸识别方法包括下列步骤:
S1、获取训练样本集和测试样本,通过一个非线性映射将训练样本集和测试样本映射到一个高维核特征空间中;
S2、利用训练样本之间的协同表示构造核类间重构误差和核类内重构误差,通过最大化目标函数来求解最优投影矩阵。
S3、利用最优投影矩阵对核特征空间的高维样本数据进行降维;
S4、求解高维核特征空间中的回归系数,对测试样本进行重构,将测试样本分到具有最小重构误差的类别中。
进一步地,步骤S2所述利用训练样本之间的协同表示构造核类间重构误差和核类内重构误差,具体过程如下:
获取来自c个类的训练样本集合其中L表示每个训练样本的特征维数,mi表示第i类训练样本的数量,m1+m2+...+mc=M。测试样本y∈RL。通过一个非线性映射函数φ将原始样本空间RL映射到一个高维特征空间RZ中(L<Z),即:y→φ(y),Xi→φ(Xi)。则有,φ(Xi)=[φ(xi,1),φ(xi,2),...,φ(xi,mi)]。
假设期望得到的最优投影矩阵U=[U1,...,Uh,...,Ud],h=1,2,...,d,。
定义核类间重构误差和核类内重构误差分别为:
其中是φ(X)中去掉φ(Xi)后剩余的模式,是φ(Xi)中去掉φ(xi,j)后剩余的模式。和分别是类间重构系数和类内重构系数。
对EBC和EWC进一步展开并应用算子,可得,
根据再生核理论,对任意的特征向量Uh,都存在系数向量αh,使得它被核空间中的训练样本线性表示:
定义Α=[α1,...,αh,...,αd]T为伪投影矩阵,令Φ=φ[X]=[φ(x1),φ(x2),...,φ(xM)],则有U=ΦΑ。
将φ(xi,j)往U上作投影:
同理,将除去第i类样本φ(Xi)后的剩余样本集合向U上作投影,可以表示为:
同理:
将上式代入EBC和EWC中,
定义Kb为核类间重构散布矩阵,Kw为核类内重构散布矩阵,分别为:
代入EBC和EWC中可得,
EBC=tr(ΑTKbΑ)
EWC=tr(ΑTKwΑ)
进一步地,步骤S2所述通过最大化目标函数求解最优投影矩阵,具体过程如下:
本发明采用核最大间距准则来构造目标函数,避免因小样本问题导致的算法性能下降。
目标函数如下式:
投影矩阵U的求解转变为求解伪投影矩阵Α=[α1,...,αh,...,αd]T,可通过解如下的广义特征方程得到:
(Kb-Kw)αk=λkαk,k=1,2,…,d
其中λ1≥…≥λk≥…≥λd。
进一步地,所述步骤S4,具体包括:
(1)求解回归系数:
利用最小二乘法,解得回归系数
经推导化简可得,
其中,Ki=<φ(X)T,φ(Xi)>,Ky=<φ(X)T,φ(y)>,Λ=Α·ΑT。
(2)计算重构误差:
(3)分类:
将测试样本分到具有最小重构误差的类别中:
本发明相对于现有技术具有如下的优点及效果:
1、本发明将数据非线性地映射到一个高维核空间,而后在这个高维核空间中进行重构鉴别分析,如此就隐含地实现了原始样本空间的非线性判别,增强了非线性处理能力。
2、本发明利用其他类的样本的协同表示得到的全局类间重构误差,比每一类单独的类间重构误差都要小,可以看做是单个类的类间重构误差的下界,并且在很大程度上放大了一些小的类间重构误差的作用,避免某些大的类间重构误差支配全局类间重构误差,使得不同类别的样本之间的分离效果更明显而同类样本能达到更好的聚类,提高了分类效果。
附图说明
图1是本发明针对人脸识别提出的基于核方法和线性回归的人脸识别方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例公开了一种基于核方法和线性回归的人脸识别方法,具体包含以下步骤:
1)获取训练数据集测试样本y∈RL×1。
2)选定高斯径向基函数作为核函数,参数γ设为的中间值,其中为所有训练样本的均值。
3)构造核类间重构误差和核类内重构重构误差,包括:
假设期望得到的最优投影矩阵U=[U1,...,Uh,...,Ud],h=1,2,...,d,。
定义核类间重构误差和核类内重构误差分别为:
其中是φ(X)中去掉φ(Xi)后剩余的模式,是φ(Xi)中去掉φ(xi,j)后剩余的模式。和分别是类间重构系数和类内重构系数。
对EBC和EWC进一步展开并应用tr算子,可得,
根据再生核理论,对任意的特征向量Uh,都存在系数向量αh,使得它被核空间中的训练样本线性表示:
定义Α=[α1,...,αh,...,αd]T为伪投影矩阵,令Φ=φ[X]=[φ(x1),φ(x2),...,φ(xM)],则有U=ΦΑ。
将φ(xi,j)往U上作投影:
同理,将除去第i类样本φ(Xi)后的剩余样本集合向U上作投影,可以表示为:
同理:
将上式代入EBC和EWC中,
定义Kb为核类间重构散布矩阵,Kw为核类内重构散布矩阵,分别为:
代入EBC和EWC中可得,
EBC=tr(ΑTKbΑ)
EWC=tr(ΑTKwΑ)
4)构造目标函数,求解最优投影矩阵
本发明采用核最大间距准则来构造目标函数,避免因小样本问题导致的算法性能下降。
目标函数如下式:
可通过解如下的广义特征方程得到:
(Kb-Kw)αk=λkαk,k=1,2,…,d
其中λ1≥…≥λk≥…≥λd。
5)利用最优投影矩阵对核特征空间的高维样本数据进行降维。
6)计算回归系数:
经推导化简可得,
其中,Ki=<φ(X)T,φ(Xi)>,Ky=<φ(X)T,φ(y)>,Λ=Α·ΑT。
7)计算重构误差:
8)分类:
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种基于核方法和线性回归的人脸识别方法,其特征在于,其包括下列步骤:
获取训练样本集和测试样本,通过一个非线性映射将训练样本集和测试样本映射到一个高维核特征空间中;
利用训练样本之间的协同表示构造核类间重构误差和核类内重构误差,通过最大化目标函数求解最优投影矩阵;
利用最优投影矩阵对核特征空间的高维样本数据进行降维;
求解高维核特征空间中的回归系数,对测试样本进行重构,将测试样本分到具有最小重构误差的类别中。
2.根据权利要求1所述的一种基于核方法和线性回归的人脸识别方法,其特征在于,所述利用训练样本之间的协同表示构造核类间重构误差和核类内重构误差,具体过程如下:
假设有来自c个类的训练样本集合其中L表示每个训练样本的特征维数,mi表示第i类训练样本的数量,m1+m2+...+mc=M,测试样本y∈RL,假设存在一个非线性映射函数φ将原始样本空间RL映射到一个高维特征空间RZ中(L<Z),即:y→φ(y),Xi→φ(Xi),则有,
假设期望得到的最优投影矩阵U=[U1,...,Uh,...,Ud],h=1,2,...,d,
定义核类间重构误差和核类内重构误差分别为:
其中是φ(X)中去掉φ(Xi)后剩余的模式,是φ(Xi)中去掉φ(xi,j)后剩余的模式,和分别是类间重构系数和类内重构系数;
根据再生核理论,对任意的特征向量Uh,都存在系数向量αh,使得它被核空间中的训练样本线性表示:
定义Α=[α1,...,αh,...,αd]T为伪投影矩阵,令Φ=φ[X]=[φ(x1),φ(x2),...,φ(xM)],则有U=ΦΑ;
推导化简,最后可得
EBC=tr(ΑTKbΑ)
EWC=tr(ΑTKwΑ)
其中,Kb为核类间重构散布矩阵,Kw为核类内重构散布矩阵。
3.根据权利要求1所述的一种基于核方法和线性回归的人脸识别方法,其特征在于,所述通过最大化目标函数求解最优投影矩阵,具体过程如下:
采用核最大间距准则构造目标函数,避免因小样本问题导致的算法性能下降,如下式:
投影矩阵U的求解转变为求解伪投影矩阵Α=[α1,...,αh,...,αd]T,可通过解如下的广义特征方程得到:
(Kb-Kw)αk=λkαk,k=1,2,…,d
其中λ1≥…≥λk≥…≥λd。
4.根据权利要求1所述的一种基于核方法和线性回归的人脸识别方法,其特征在于,所述求解高维核特征空间中的回归系数,包括:
利用最小二乘法,回归系数可通过下式得到:
其中,Ki=<φ(X)T,φ(Xi)>,Ky=<φ(X)T,φ(y)>,Λ=Α·ΑT,Α是伪投影矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810232612.1A CN108399396A (zh) | 2018-03-20 | 2018-03-20 | 一种基于核方法和线性回归的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810232612.1A CN108399396A (zh) | 2018-03-20 | 2018-03-20 | 一种基于核方法和线性回归的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108399396A true CN108399396A (zh) | 2018-08-14 |
Family
ID=63092694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810232612.1A Pending CN108399396A (zh) | 2018-03-20 | 2018-03-20 | 一种基于核方法和线性回归的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399396A (zh) |
Cited By (3)
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 |
CN110895705A (zh) * | 2018-09-13 | 2020-03-20 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740790A (zh) * | 2016-01-25 | 2016-07-06 | 南京信息工程大学 | 基于多核字典学习的彩色人脸识别方法 |
CN106066994A (zh) * | 2016-05-24 | 2016-11-02 | 北京工业大学 | 一种基于Fisher判别的稀疏表示的人脸识别方法 |
-
2018
- 2018-03-20 CN CN201810232612.1A patent/CN108399396A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740790A (zh) * | 2016-01-25 | 2016-07-06 | 南京信息工程大学 | 基于多核字典学习的彩色人脸识别方法 |
CN106066994A (zh) * | 2016-05-24 | 2016-11-02 | 北京工业大学 | 一种基于Fisher判别的稀疏表示的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
XIAOCHAO QU ET AL.: ""Linear collaborative discriminant regression classification for face recognition"", 《JOURNAL OF VISUAL COMMUNICATION & IMAGE REPRESENTATION》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895705A (zh) * | 2018-09-13 | 2020-03-20 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
CN110895705B (zh) * | 2018-09-13 | 2024-05-14 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
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 |
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Boosting accuracy of automated classification of fluorescence microscope images for location proteomics | |
Ekenel et al. | Multiresolution face recognition | |
CN108846338B (zh) | 基于面向对象随机森林的极化特征选择及分类方法 | |
CN108304357B (zh) | 一种基于字体流形的中文字库自动生成方法 | |
CN108399396A (zh) | 一种基于核方法和线性回归的人脸识别方法 | |
CN105046276A (zh) | 基于低秩表示的高光谱图像波段选择方法 | |
CN105184314B (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
DE102021105249A1 (de) | Mikrotraining zur iterativen verfeinerung eines neuronalen netzes mit wenigen anpassungen | |
CN113343799A (zh) | 基于混合注意力残差网络实现白细胞自动分类方法及系统 | |
CN111611323A (zh) | 一种面向数据融合的迭代结构化多视图子空间聚类方法,设备及可读存储介质 | |
Kornaropoulos et al. | Histopathological image analysis for centroblasts classification through dimensionality reduction approaches | |
CN109670418A (zh) | 结合多源特征学习和组稀疏约束的无监督物体识别方法 | |
Rao et al. | Content-based medical image retrieval using a novel hybrid scattering coefficients-bag of visual words-DWT relevance fusion | |
Wang et al. | Convex clustering method for compositional data via sparse group lasso | |
CN114219049A (zh) | 一种基于层级约束的细粒度笔石图像分类方法和装置 | |
CN112966735A (zh) | 一种基于谱重建的监督多集相关特征融合方法 | |
Hamouda et al. | Framework for automatic selection of kernels based on convolutional neural networks and ckmeans clustering algorithm | |
CN111832391A (zh) | 基于截断核范数的低秩判别嵌入法的图像降维方法及图像识别方法 | |
Rayevnyeva et al. | Autonomy of the system of higher education in the conditions of integration of Ukraine into the European educational area | |
Li et al. | DA-RefineNet: dual-inputs attention refinenet for whole slide image segmentation | |
Li et al. | Da-refinenet: a dual input whole slide image segmentation algorithm based on attention | |
Custodio João et al. | Dynamic nonparametric clustering of multivariate panel data | |
Lebbah et al. | Mixed Topological Map. | |
Xiang et al. | Anime style space exploration using metric learning and generative adversarial networks | |
Wu et al. | Image reconstruction from local descriptors using conditional adversarial networks |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180814 |
|
WD01 | Invention patent application deemed withdrawn after publication |