[发明专利]基于流形学习的数据降维方法及装置

权利要求书

1.基于流形学习的数据降维方法，其特征在于，包括以下步骤：

S101：将待检测人脸图像X按照一定的规则划分为K个子图像，然后将K个子图像转化为相对应的子模式，将所述子模式的向量记为X_i(i＝1,2,…,K)；

S102：根据公式Y_i＝W_i^TX_i求出Y_i；所述Y_i是X_i的低维向量表示，所述W_i^T是通过最大间距准则和局部保持投影算法推导得出；

S103：根据最近邻分类算法为待检测人脸图像X对其子模式的低维向量Y_i进行分类，依据训练集中的K个子模式集合，共得到K个识别结果；所述训练集是依据所述规则划分为K个子模式集合的预设的人脸图像的集合；

S104：依据加权的方法，将K个识别结果进行计算后得到所述待检测人脸图像X属于第c个人的可能性为：

其中

然后得出待检测人脸图像X的识别结果为：Identity(X)＝argmax(p_c)；

其中所述的Wg_i是第i个子模式集合的识别权值，其计算公式为：其中K_ij是为所述训练集中第i个子模式集合的每一个样本X_ij的近邻中和其处于同类的样本的个数，所述X_ij是所述训练集中第i个子模式集合的一个样本，所述样本是指每一个子模式集合的向量的坐标表示；j的取值在1到N之间，N是指所述训练集中预设人脸图像的总个数。

2.如权利要求1所述基于流形学习的数据降维方法，其特征在于，所述规则为将人脸图像等条纹划分。

3.如权利要求1所述基于流形学习的数据降维方法，其特征在于，所述W_i^T是通过最大间距准则和局部保持投影算法推导得出的具体步骤是：

根据最大间距准则和局部保持投影算法相结合得到新的局部保持投影算法的目标公式为：

其中，其中D是对角矩阵，L、D都是已知的；m是所有训练集中的所有样本的平均向量，m_i是所述训练集中第i类子模式的所有样本的平均向量，S_b是类间散步矩阵，S_w是类内散步矩阵，n_i属于所述训练集中第i类子模式的样本个数；i的取值为1到K之间；l ＝K；

由此公式可得W_i^T的唯一确定值。