1.一种基于判别稀疏保持投影的非约束人脸图像降维方法,其特征在于:对于非约束环境中获取的真实人脸图像,消除高维数据中的冗余信息,抽取本质特征,减少数据维度,以获取低维本质特征,在分类器上进行人脸识别;具体包括以下步骤:
1)选取人脸图像作为训练样本,计算人脸图像间的重构关系矩阵W;设人脸图像的训练样本集X由c类人脸图像子集X1,X2,...,Xc组成,这里m,n表示图像的大小,N为人脸图像个数,R表示实数集;对于任一人脸图像xij,仅利用和它有相同类别的其余人脸图像稀疏重构,人脸图像xij由同类样本稀疏表示的系数表示为则同类样本的稀疏表示系数矩阵为
1 2 c
定义人脸图像的重构关系矩阵W=diag(S ,S ,...,S),得到任意人脸图像xjq与人脸图像xip的鉴别重构关系权值wpq:这里,i和j分别表示类别,p和q分别表示对应类别中第p个人脸图像和第q个人脸图像,只用当人脸图像xjq和xip同类别且不是同人脸图像时,wpq才有值,表示为 其含义是指第i类中第q个人脸图像用第p个人脸图像表示的稀疏权值;
2)计算人脸图像的最佳低维映射矩阵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,增加人脸图像全局类内、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,不考虑人脸图像类别,定义xi为人脸图像的训练样本集X中的第i个人脸图像,wi是重构关系矩阵W中的第i个列向量,表示了人脸图像xi与其他人脸图像的重构T T
关系;约束PXXP=I使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,Xi是第i类人脸图像子集, 是第i类人脸图像子集的均值矩阵,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 是所有人脸图像样本的均值矩阵,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:T T
其中,λ为拉格朗日参数,Wβ=W+W‑WW;
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P=[p1,p2...,pd];
3)实现高维人脸图像数据的低维线性映射,以获取人脸图像的低维本质特征:T
xi→yi=Pxi (9);
其中,i=1,2,...,N,yi为采用低维投影矩阵P对人脸图像xi降维后得到的低维本质特征数据;
进而在分类器上进行人脸识别。
2.如权利要求1所述的基于判别稀疏保持投影的非约束人脸图像降维方法,其特征在于:人脸图像的训练样本集X中第k类有nk个人脸图像,满足 共N个人脸图像作为训练样本;任意人脸图像xij,描述为第i类的第j个人脸图像,求解下式目标函数得到人脸图像xij的稀疏表示系数sij:T N×1 T T
这里定义e=[1,1,...,1] ∈R 为单位向量,e 表示单位向量转置,esij=1约束人脸图像xi由字典Xi稀疏表示的权重和为1;λ1和λ2分别为稀疏约束比例参数,调节λ1和λ2可以使目标函数达到最优;
i
其中,X定义为除xij外且同类别的训练样本组成的字典,即ni为第i类人脸图像的个数,Γi是与xij同类别的所有人脸图像的稀疏表示系数平均值,最小化 使相同类别的样本的稀疏表示系数接近中心值,增强同类样本类内系数的紧凑度;
为了降低计算复杂度,首先初始化均值向量Γi为零向量,优化求解同类所有人脸图像的sij,然后计算得到Γi值,最后带入式(4)中,根据最小二乘法分析得到解析式(5),由此计算得到最佳稀疏表示系数sij:i T i ‑1 i T
sij=((X) X+(λ1+λ2)I) ((X) xij+λ2Γi) (5)可见,人脸图像xij由同类样本稀疏表示的系数表示为