[发明专利]基于判别稀疏保持投影的非约束人脸图像降维方法

摘要

本发明提供一种基于判别稀疏保持投影的非约束人脸图像降维方法，通过1)，在计算样本重构关系矩阵W时，利用类别标签和类内紧凑度约束，增大同类非近邻样本权重系数；2)计算低维映射矩阵P时，增加全局约束因子，进一步降低异类伪近邻样本对投影矩阵的影响，能够更准确挖掘出隐藏在复杂冗余数据中的低维流形本质结构；3)实现高维样本数据的低维线性映射；对于真实环境中获取的非约束人脸图像，本发明DSPP可以更准确消除高维数据中的冗余信息，抽取本质特征，增强表征能力；同时，也减少了数据维度，节约存储空间，大大提高了人脸识别的可靠性和有效性。

主权项

1.一种用于非约束人脸识别的判别稀疏保持投影方法，其特征在于：包括以下步骤：1)计算重构关系矩阵W，定义样本重构关系矩阵W＝diag(S1,S2,...,Sc)，得到任意样本xjq与样本xip的鉴别重构关系权值wpq：这里，i和j表示类别，p和q表示对应类别中第p个样本和第q个样本，只用当样本x_jq和x_ip同类别且不是同样本时，w_pq才有值，表示为其含义是指第i类中第q样本用第p个样本表示的稀疏权值；2)计算低维映射矩阵P，在最小化低维子空间重构误差时，由上述重构关系保留同类样本间局部稀疏关系，同时，增加样本全局类内、类间约束条件，使得低维流形结构更符合高维样本空间分布；定义目标函数如下：这里为了描述方便，不考虑样本类别，定义x_i为训练样本集X中的第i个样本，w_i是重构关系矩阵W中的第i个列向量，表示了样本x_i与其他样本的重构关系；约束P^TXX^TP＝I可以低维数据为单位正交，I为单位矩阵，T表示矩阵转置；F为Frobenius范数，定义为定义全局类内聚合矩阵其中，X_i是第i类样本子集，是第i类样本子集的均值矩阵，约束最小，使得低维子空间中各类样本子集类内紧凑；同理，定义全局类间离散矩阵这里是所有样本的均值矩阵，约束最大，进一步使得低维子空间中各类样本子集类间离散；由拉格朗日乘子法，上式转化为求解下式的广义特征值问题：这里X_b为全局类间离散矩阵，定义为其中为所有样本的均值矩阵，是第i类样本子集的均值矩阵，λ为拉格朗日参数；其中Wβ＝W+WT‑WTW，选取前d个最大特征值对应的特征向量，构成最佳低维映射矩阵Popt＝[p1,p2...,pd]；3)实现高维样本数据的低维线性映射：。