[发明专利]一种基于局部信息和组稀疏约束的半监督人脸识别方法

权利要求书

1.一种基于局部信息和组稀疏约束的半监督人脸识别方法，其特征在于包括如下步骤：

(1)获取一个包含n个高维数据的人脸数据集X∈R^d×n，其中，d为数据维度，该人脸数据集中包含m个已标记数据集X_l∈R^d×m及对应的标签矩阵Y_l∈R^m×c,其中，c为人脸数据的分类数；

(2)在数据集X上，构建基于局部信息约束的无监督人脸特征选择模型；

(3)在已标记数据集X_l上，构建基于矩阵l_2,1损失函数的监督人脸特征选择模型；

(4)构建组稀疏约束的人脸特征选择目标函数；

(5)利用迭代优化算法求解步骤(4)中的目标函数；

(6)以经过步骤(5)筛选过后的人脸特征作为SVM的输入，训练得到SVM分类器，并完成对人脸的识别。

2.如权利要求1所述的一种基于局部信息和组稀疏约束的半监督人脸识别方法，其特征在于：所述步骤(2)中，构建的基于局部信息约束的无监督人脸特征选择模型是；

$\underset{W_u}{min}trace\left(W_u^T{\mathrm{LW}}_u\right),s.t.W_u^T{W}_u=I_u$

其中，I_u∈R^c×c是c阶单位矩阵，L的定义如下:

$L=X\{\underset{i=1}{\overset{n}{\Σ}}\[S_i(H_{k+1}-{\hat{X}}_i^T{({\hat{X}}_i{\hat{X}}_i^T+{\mathrm{\λI}}_d)}^{-1}{\hat{X}}_i)S_i^T\]\}{X}^T$

其中，I_d∈R^d×d是d阶单位矩阵，是由数据集X中第i个数据x_i及其k个最近邻组成的数据集；是中心化矩阵，其中I_k+1∈R^(k+1)×(k+1)是k+1阶单位矩阵，1_k+1是成员全为1的向量；S_i∈R^n×(k+1)为局部分类选择矩阵，S_i定义如下：

其中，设数据x_p是数据x_i的近邻中距离由小到大第q个邻近数据。