1.一种基于加权块张量稀疏图映射的非约束人脸识别方法,其特征在于包括如下步骤:步骤S1,将原始样本图像分成B个块,每个图像块用二阶张量表示,引入类别标签,构建监督超完备的块张量字典;
步骤S2,在正则约束求解块样本的同类稀疏重构系数的基础上,增加类内紧凑度约束和权值约束,用以增强同类块样本间的近邻关系,并以距离权值进一步表征同类块样本间的类内差异,在块样本张量空间自适应构建更准确的稀疏近邻图;
步骤S3,对块样本进行双边低维投影,在保持其局部近邻关系的基础上,引入全局约束因子,利用块样本全局分布中隐含的鉴别信息得到双边低维投影矩阵。
2.根据权利要求1所述的基于加权块张量稀疏图映射的非约束人脸识别方法,其特征在于上述步骤S1具体包括如下步骤:将原始样本图像划分成B个块(B≥2,且B为偶数),每个图像块用二阶张量表示,从而得到由分块样本组成的B个二阶张量子集这里,
表示第 个块样本子集中第k类的第i个样本,fl为向下取整运算;每一个块样本子集 即为一个块样本张量空间,包含具有C个类别的N个样本,即其中,nk表示第k类子集的样本数(k=1,2,...,C)。
3.根据权利要求2所述的基于加权块张量稀疏图映射的非约束人脸识别方法,其特征在 于 将 训 练 集 中 样 本图 像 用 二阶 张 量 表 示 ,构 建 二阶 张 量 数 据 集其中 表示第k类样本子集的第i个张量样本。
4.根据权利要求1所述的基于加权块张量稀疏图映射的非约束人脸识别方法,其特征在于上述步骤S2包括如下步骤:依次构建每一个块样本张量空间 的稀疏近邻图S211,定义求解块张量样本 的类内稀疏重构系数 的目标函数,表达式如下:式中,第一部分 为类内块样本重构误差项;构建类内超完备块张量字典由除块样本 外的剩余同类块样本组成。最小化 旨在用同类块样本尽可能近似逼近待测块样本第二部分 为类内重构系数紧致项;定义 为类内紧凑度约束因子,记为与同类的所有块样本的类内稀疏重构系数的平均值;最小化 可以使同类块样本的稀疏重构系数接近中心值,增强待测块样本 与同类非近邻块样本的重构关系;
第三部分 是具有距离权值约束的稀疏重构系数正则项;定义距离权值向量由待测块样本 与同类其它块样本间的距离权值 组成;当待测块样本与同类
其它块样本差异度越大时,距离权值越大,则稀疏约束正则项 得到的重构系数越小,以此构建的稀疏近邻图能够更准确表征 与同类其它块样本间的类内差异;
这里,定义三种距离权值公式:
式(2)为线性函数,式(3)为指数函数,式(4)为logistic函数,选择式(4)计算块样本的距离权值;
然后,依据目标函数(1)计算得到块样本张量空间 中C个类子集的类内 重构 关系矩阵 这里 ,C 个类子 集表示 为其对应的类内重构关系矩阵为
由类内稀疏重构系数
组成。
S212,构建块样本张量空间 的WBTSGE稀疏近邻图 表达式如下:其中,近邻关系矩阵 由C个类内重构关系矩阵 组成。
5.根据权利要求1所述的基于加权块张量稀疏图映射的非约束人脸识别方法,其特征在于上述步骤S3包括如下步骤:自适应构建B个块样本张量空间 的WBTSGE稀疏近邻图 后,分别对其进行双边低维投影,目标函数定义如下:这里, 为原始块样本高维张量空间 中第i个块样本 经过双边投影后的低维张量表示, 其中, 和
为双边低维投影矩阵;目标函数中式(6-1)约束了 在低维块张量子空间中重构误差 最小,并且仍保持高维张量空间 中样本的局部稀疏近邻关系 不变;
同时,式(6-2)和式(6-3)中又引入全局类内、类间约束因子;这里,定义 为全局类内约束因子,等于块样本高维张量空间 的低维块张量子空间中第k类样本的平均值,约束最小,使得低维块张量子空间中各类样本子集类内紧凑;同理,定义为全局类间约束因子,表示为 的低维块张量子空间中所有样本的均值矩阵,约束最大,可以使低维块张量子空间中各类样本子集类间离散;
式(6-3)中 又等价于 所以将式(6-1)~式(6-3)合并,变换为如下形式:
对式(7)进行化简,推导过程如下:
式(8)中,
其中, 是原始高维块样本 的重构样本,由 的近邻样本线性表示为原始块样本高维张量空间 中,第k类样本的平均值; 则为中所有样本的平均值;由此得到原始块样本高维张量空间 的WBTSGE低维投影目标函数:同理,因为矩阵的Frobenius范数 所以式(7)又可以变换为式(14) 的形式:
在式(14)中,
由此得到原始块样本高维张量空间 的另一个WBTSGE低维投影目标函数:为了避免退化解,增加约束条件 和 式(13)和式(19)中最小化问题则被转换为最大化问题:根据拉格朗日乘子法,式(20)和式(21)又转换为求解广义特征值问题:由式(22)和式(23)可知,投影矩阵 和 的优化求解是彼此相互依赖的,需先初始化矩阵 带入方程(22),优化求解得到矩阵 再将得到的矩阵 带入方程(23),优化求解得到矩阵 通过不断迭代更新,得到原始块样本高维张量空间 的最优双边投影矩阵 和