[发明专利]一种基于协同表示分类的迭代优化方法

说明书

本发明提出一种基于协同表示分类的迭代优化方法。将某个训练样本从训练集中剔除，用剩余训练样本线性表示该样本，计算表示系数；根据表示系数，计算类内散布矩阵和类间散布矩阵，从而得到投影轴；利用投影轴将原始训练样本做投影，并重复迭代直至获得最优投影轴；将原始训练样本和原始测试样本向最优投影轴做投影，利用最近邻分类器分类识别。本发明方法使投影轴不断循环迭代，得到最优投影轴。

技术领域

本发明属于模式识别技术领域，具体涉及一种基于协同表示分类的迭代优化方法。

背景技术

稀疏表示(Sparse Representation)是近年来信号处理与模式识别领域的一个研究热点，它的基本思想是使用一系列基信号的线性组合来表示出一个信号的绝大多数信息，而这些基信号是从一个包含了很多基信号的“过完备字典”中进行选择，基信号也被称作院子。在人脸识别中，运用稀疏表示的方法来刻画人脸图像模式之间的稀疏性，提取人脸图像的特征模式，受益于稀疏表示自然的判别性所得到的特征模式(也称为稀疏系数)之间的稀疏性为人脸分类识别提供了很好的鉴别信息，降低了分类器设计的难度，同时人脸图像模式的稀疏性实现了图像的简洁表示。

稀疏表示最先由John Wright等人引入人脸识别领域，提出了稀疏表示分类(Saprse Representation Classification,SRC)的人脸分类方法，对于一个测试样本，用所有训练样本表示，找出表示误差最小的那一类，则该测试样本就属于那一类。在其基础上，为了克服SRC算法时间复杂度较高等缺点，Lei Zhang等人提出了协同表示分类(Collaborative Representation Classification,CRC)的人脸识别方法，大幅提高算法运行效率。现有技术没有对协同表达分类方法中的投影轴不断循环迭代，识别率没有得到优化和提高。

发明内容

本发明的目的在于提供一种基于协同表示分类的迭代优化方法，使投影轴不断循环迭代，得到最优投影轴。

为了解决上述技术问题，本发明提供一种基于协同表示分类的迭代优化方法，步骤如下：

步骤一，将某个训练样本从训练集中剔除，用剩余训练样本线性表示该样本，计算表示系数；

步骤二，根据表示系数，计算类内散布矩阵和类间散布矩阵，从而得到投影轴；

步骤三，利用上一步得到的投影轴将原始训练样本做投影，并重复步骤一和步骤二直至获得最优投影轴；

步骤四，将原始训练样本和原始测试样本向最优投影轴做投影，利用最近邻分类器分类识别。

步骤一中，将训练样本x_ij从训练集B中剔除，用剩余训练样本线性表示训练样本x_ij时，通过求解基于范数稀疏表示问题，得到系数向量w_ij，x_ij为第i类的第j个训练样本，i＝1,2,…,c,j＝1,2,…,M_i，c为样本类别数，M_i为每类训练样本数。

步骤二中，

类内散布矩阵

类间散布矩阵

其中，M＝M₁+M₂+…+M_c为训练样本总数，δ_s(w_ij)为与系数向量w_ij维数相同的向量，其非零项为系数向量w_ij中对应的第s类样本的表示系数，s∈i，T为转置运算符。

本发明与现有技术相比，其显著优点在于：本发明方法因投影轴经过不断循环迭代，得到最优投影轴，这样产生的分类器更加精准，符合实际，可用于相应领域的字符分类、图像分类等。

附图说明