1.一种用于非约束人脸识别的判别稀疏保持嵌入方法,其特征在于:包括以下步骤,
1)计算样本重构关系矩阵W=Ww+Wb,其中,Ww为类内重构关系矩阵,Wb为类间重构关系矩阵;
2)计算低维投影矩阵P,从最小化类内重构误差和最大化类间重构误差两个方面约束求解待测样本xij的最佳低维投影矩阵,则基于最大边界准则定义投影矩阵目标函数为:这里约束PTP=I,使投影矩阵P单位正交,I为单位矩阵,T表示矩阵转置;
将最小化低维空间类内散度Sw和最大化低维空间类间散度Sb的矩阵表达式带入目标函数中,由拉格朗日乘子法得到目标方程这里Mb=I-Wb-(Wb)T+(Wb)TWb,由类间重构关系矩阵Wb表示,I为单位矩阵;同理Mw=I-Ww-(Ww)T+(Ww)TWw,由类内重构关系矩阵Ww表示,定义全局类内紧凑矩阵Xw表示为Xi是第i类样本子集, 是第i类样本子集的均值矩阵;定义全局类间离散矩阵Xb表示为 是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,T表示矩阵转置;
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:
2.如权利要求1所述的用于非约束人脸识别的判别稀疏保持嵌入方法,其特征在于:计算样本重构关系矩阵W,具体为,设训练样本集X由c类样本子集X1,X2,...,Xc组成,这里m,n表示图像的大小,N为图像个数,R表示实数集,假设第k类有nk个样本,则满足 共N个训练样本,任意样本xij描述为第i类的第j个样本,从方面①与方面②两个方面分别求解xij与其他样本包括同类样本与异类样本的重构关系。
3.如权利要求2所述的用于非约束人脸识别的判别稀疏保持嵌入方法,其特征在于:方面①,分析待测样本xij与同类样本的重构关系,构建类内重构关系矩阵Ww,目标函数如下:这里,定义e=[1,1,...,1]T∈RN×1为单位向量,eT表示单位向量转置, 约束样本xij由字典 稀疏表示的权重和为1;F为Frobenius范数,定义为 λ1和λ2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;
其中,l(xij)表示样本xij的类别标签,l(xij)取值1,2,...,c中任意值;定义 为类内字典,由与xij相同类别且不包括xij的训练样本组成,表示为为第l(xij)
类样本的个数;根据目标函数(4),优化得到样本xij的类内稀疏表示系数 约束样本xij由类内字典 稀疏表示的权重和为1, 是与xij同类样本的稀疏表示系数的平均值,最小化 可以使样本的类内稀疏表示系数接近中心值,增强待测样本与同类样本的紧凑度;
为了降低计算复杂度,首先初始化均值向量 为零向量,优化求解同类所有样本的然后计算平均值 最后带入式(4),根据最小二乘法分析得到解析式(5),由此计算得到最佳类内稀疏表示系数因此,得到测样本xij的类内稀疏表示系数形式为
则同类所有样
本的类内稀疏表示系数矩阵为 由此得到
所有训练样本的类内重构关系矩阵为
4.如权利要求2所述的用于非约束人脸识别的判别稀疏保持嵌入方法,其特征在于:方面②,分析待测样本xij与异类样本的重构关系,构建类间重构关系矩阵Wb,目标函数如下:这里,定义e=[1,1,...,1]T∈RN×1为单位向量,eT表示单位向量转置, 约束样本xij由字典 稀疏表示的权重和为1;F为Frobenius范数,定义为 λ3和λ4为稀疏约束比例参数,调节λ3和λ4可以使目标函数达到最优;
这里定义 为类间字典,由与xij不同类别的训练样本组成;假设xij属于第i类样本,则 表示为 根据目标函数(6),优化得到样本xij的类间稀疏表示系数 其中 是与xij同类样本的类间稀疏表示系数的平均值,记为最小化 使样本的类间稀疏表示系数接近中心值,增大异类样本间的离散度;
采用最小二乘法分析得到目标函数的解析式,计算最佳类间稀疏表示系数假设待测样本xij属于第i类,则得到xij的类间稀疏表示系数 的形式为为了便于描述类间重构关系矩阵Wb,将 扩展为N维列向量,即,
则第i类样本子集的扩展类间稀疏重构权值矩阵表示为
由此得到所有样本的
类间重构关系矩阵
5.如权利要求1-4任一项所述的用于非约束人脸识别的判别稀疏保持嵌入方法,其特征在于:最小化低维空间类内散度Sw的矩阵表达式由以下得到:为了使低维空间中同类样本尽可能聚合,在最小化类内重构误差条件下,增加全局类内约束条件,使得低维投影数据既保留了样本间局部类内稀疏重构关系,又考虑了同类样本子集的全局紧凑度分布特性,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xi为训练样本集X中的第i个样本,xj为第j个样本, 是类内重构关系矩阵Ww中的第i行第j列的数值,描述了样本xi与xj的类内重构关系;定义Xw表示为 Xi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,可以使得各类样本子集类内紧凑;分析目标函数(8),经推导得到:其中,Mw表示为I-Ww-(Ww)T+(Ww)TWw,Ww为类内重构关系矩阵。
6.如权利要求1-4任一项所述的用于非约束人脸识别的判别稀疏保持嵌入方法,其特征在于:最大化低维空间类间散度Sb的矩阵表达式由以下得到:为了使低维空间中异类样本尽可能分离,在最大化类间重构误差条件下,增加全局类间约束条件,使得低维投影数据既保留了样本间局部类间稀疏重构关系,又考虑了异类样本子集的全局离散度分布特性,定义目标函数如下:其中, 是类间重构关系矩阵Wb中的第i行第j列的数值,描述了样本xi与xj的类间重构关系;定义Xb表示为 是所有样本的均值矩阵, 是第i类样本子集的均值矩阵,约束 最大,使得各类样本子集类间分离,分析目标函数(10),经推导得到:其中,Mb表示为I-Wb-(Wb)T+(Wb)TWb,Wb为类间重构关系矩阵。