弹性网正则线性回归的负拖动技术的人脸识别方法及装置制造方法及图纸

本发明专利技术公开了弹性网正则线性回归的负拖动技术的人脸识别方法及装置，该方法包括：将负拖动技术引入弹性网正则线性回归模型；进行优化，以得到一个判别投影矩阵；利用判别投影矩阵对测试样本和训练样本进行线性变换；训练样本为包括大量人脸图像的数据集；测试样本为包括相同所述大量人脸图像不同角度的数据集；将线性变换后的所述测试样本和训练样本投射到所述判别投影矩阵，得到测试样本的预测标签矩阵和测试样本矩阵；通过最近邻分类器对预测标签矩阵和测试样本矩阵的图像进行多类分类，获得分类结果。与传统的大边缘分类器相比，本发明专利技术实施例易于实现，计算效率高，并且避免了受污染的训练样本拟合问题；并且可以显著提升人脸识别率。人脸识别率。人脸识别率。

【技术实现步骤摘要】
弹性网正则线性回归的负拖动技术的人脸识别方法及装置


[0001]本专利技术涉及人脸识别
，特别涉及一种弹性网正则线性回归的负拖 动技术的人脸识别方法及装置。

技术介绍

[0002]基于稀疏表示的分类(SRC)在人脸识别中得到了广泛的应用，其性能令人 印象深刻。为了提高人脸识别的有效性、效率和鲁棒性，出现了许多基于表征 的分类方法。例如，基于线性回归的分类(LRC)就是利用每种类型的训练样本 的线性组合来表示测试样本，然后将测试样本划分为代表最小表示残差的类。 基于协作表示的分类方法(CRC)用正则化l-2范数代替正则化l-1范数，提高了 人脸识别的效率。实验表明，SRC在理论上是协同表示的一种特例，在不牺牲 分类精度的情况下，CRC仍然比SRC高效得多。此外，局部性约束线性编码 (LLC)强制执行局部性约束，并使用它们来执行描述符的局部性嵌入。与此同 时，基于表示的技术在各个方面得到了广泛的应用。低秩最小化由于其在数据 表示方面的有效性，引起了人们的广泛关注。值得一提的是，RPCA是基于低 秩最小化的最著名的方法之一。当数据在单一子空间时，RPCA将观测数据分 成两部分:稀疏噪声项和低秩未损坏数据项稀疏噪声项。由于低秩特征的明显优 势，提出了两种低秩回归模型，即稀疏低秩回归(SLRR)和低秩岭回归(LRRR) 方法。这两个低秩回归模型相当于基于线性判别分析的回归。由于它们都是基 于低秩最小化的属性，因此它们都可以捕获数据依赖模式的底层结构。
[0003]虽然低秩最小化问题得到了很大的改进，但目前的大多数学习方法都只是 将原始的视觉特征投影到传统的0-1矩阵中，由于自由度太少，使得这些矩 阵难以适应严格的二值标记矩阵。此外，由于这些方法的投影矩阵分辨力较弱， 无法将图像特征准确地投影到目标场。判别稳健的回归方法应该具有矩阵的三 个特征:紧凑的投影矩阵、对数据误差的鲁棒性和判别回归目标。为了克服这些 缺点，Zheng等人提出了弹性网正则化线性回归(ENLR)框架。提出了一种用于 多类图像分类的鲁棒紧凑回归模型。特别是弹性网正则化项可以通过积累学习 到更紧凑的投影矩阵，通过扩大不同类别的边界提高分类任务的准确性。通过 拖拽技术，可以更好地定义回归目标，更好地适应回归任务。
[0004]在模式识别算法的设计中，研究人员往往将重点放在扩展不同类别之间的 边界上。研究人员已经提出了许多基于类边界度量的算法。大裕度分类器可以 将训练样本划分为各种裕度较大的类，并且可以更好地从训练样本中学习到很 多好的分类器，从而更好地适应测试样本。但是在现实中，由于目标的噪声或 变形性，训练样本与同一类别的测试样本之间可能存在较大差异。
[0005]众所周知，人脸图像是可变的目标。来自同一个目标的两个面部图像可能 会有很大的不同。在这种情况下，从训练样本中得到的大边缘分类器的大概率 并不适用于测试样本。因此，便无法得到更高的识别率。

技术实现思路

[0006]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地 解决上述问题的一种具有判别性弹性网正则线性回归的负拖动技术的人脸识 别方法及装置。
[0007]第一方面，本专利技术实施例提供弹性网正则线性回归的负拖动技术的人脸识 别方法，包括：
[0008]将负拖动技术引入具有判别性弹性网正则线性回归模型；
[0009]进行优化，以得到一个判别投影矩阵；
[0010]利用所述判别投影矩阵对测试样本和训练样本进行线性变换；所述训练样 本为包括大量人脸图像的数据集；所述测试样本为包括相同所述大量人脸图像 不同角度的数据集；
[0011]将线性变换后的所述测试样本和训练样本投射到所述判别投影矩阵，得到 测试样本的预测标签矩阵和测试样本矩阵；
[0012]通过最近邻分类器对所述预测标签矩阵和测试样本矩阵的图像进行多类 分类，获得分类结果。
[0013]在一个实施例中，进行优化，以得到一个判别投影矩阵，包括：
[0014]构造增广拉格朗日函数L(D,M,A,B,C1)为：
[0015][0016]s.t.D＝AB,M≥0；
[0017]式中，X为训练样本集，Y为标签向量，E为常数矩阵，D为学习的投影矩阵， M为学习的非负矩阵，A和B分别为矩阵M的分解，
⊙
为矩阵对应元素相乘， C1为拉格朗日乘子，λ1和λ2为权值参数，μ＞0为惩罚参数；
[0018]利用块坐标下降方法求出相对于原始变量的最小点；利用增广拉格朗日函 数在每次迭代时沿一个坐标方向最小化L；
[0019]依次更新矩阵A、B、D、M，迭代优化所有变量，以得到一个判别投影矩 阵。
[0020]在一个实施例中，利用所述判别投影矩阵对测试样本和训练样本进行线性 变换，包括：
[0021]获取训练样本集X、标签向量Y和测试样本集Z；
[0022]将所述训练样本集X和测试样集Z全部归一化为单位向量x
i
＝x
i
/x
i
||2；xi表 示矩阵X或矩阵Z中的某个列向量；
[0023]通过减去训练样本集X的矩阵均值，将训练样本集X变换为中心矩阵。
[0024]第二方面，本专利技术实施例提供弹性网正则线性回归的负拖动技术的人脸识 别装置，包括：
[0025]引入模块，用于将负拖动技术引入具有判别性弹性网正则线性回归模型；
[0026]优化模块，进行优化，以得到一个判别投影矩阵；
[0027]变换模块，用于利用所述判别投影矩阵对测试样本和训练样本进行线性变 换；所述训练样本为包括大量人脸图像的数据集；所述测试样本为包括相同所 述大量人脸图像不同角度的数据集；
[0028]投影模块，用于将线性变换后的所述测试样本和训练样本投射到所述判别 投影
矩阵，得到测试样本的预测标签矩阵和测试样本矩阵；
[0029]分类模块，用于通过最近邻分类器对所述预测标签矩阵和测试样本矩阵的 图像进行多类分类，获得分类结果。
[0030]在一个实施例中，所述优化模块，具体用于构造增广拉格朗日函数 L(D,M,A,B,C1)为：
[0031][0032]s.t.D＝AB,M≥0；
[0033]式中，X为训练样本集，Y为标签向量，E为常数矩阵，D为学习的投影 矩阵，M为学习的非负矩阵，A和B分别为矩阵M的分解，
⊙
为矩阵对应元 素相乘，C1为拉格朗日乘子，λ1和λ2为权值参数，μ＞0为惩罚参数；
[0034]利用块坐标下降方法求出相对于原始变量的最小点；利用增广拉格朗日函 数在每次迭代时沿一个坐标方向最小化L；
[0035]依次更新矩阵A、B、D、M，迭代优化所有变量，以得到一个判别投影矩 阵。
[0036]在一个实施例中，所述变换模块，具体用于获取训练样本集X、标签向量 Y和测试样本集Z；将所述训练样本集X和测试样集Z全部归一化为单位向量 x
i
＝x<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.弹性网正则线性回归的负拖动技术的人脸识别方法，其特征在于，包括：将负拖动技术引入具有判别性弹性网正则线性回归模型；进行优化，以得到一个判别投影矩阵；利用所述判别投影矩阵对测试样本和训练样本进行线性变换；所述训练样本为包括大量人脸图像的数据集；所述测试样本为包括相同所述大量人脸图像不同角度的数据集；将线性变换后的所述测试样本和训练样本投射到所述判别投影矩阵，得到测试样本的预测标签矩阵和测试样本矩阵；通过最近邻分类器对所述预测标签矩阵和测试样本矩阵的图像进行多类分类，获得分类结果。2.如权利要求1所述的弹性网正则线性回归的负拖动技术的人脸识别方法，其特征在于，进行优化，以得到一个判别投影矩阵，包括：构造增广拉格朗日函数L(D,M,A,B,C1)为：s.t.D＝AB,M≥0；式中，X为训练样本集，Y为标签向量，E为常数矩阵，D为学习的投影矩阵，M为学习的非负矩阵，A和B分别为矩阵M的分解，
⊙
为矩阵对应元素相乘，C1为拉格朗日乘子，λ1和λ2为权值参数，μ＞0为惩罚参数；利用块坐标下降方法求出相对于原始变量的最小点；利用增广拉格朗日函数在每次迭代时沿一个坐标方向最小化L；依次更新矩阵A、B、D、M，迭代优化所有变量，以得到一个判别投影矩阵。3.如权利要求1所述的弹性网正则线性回归的负拖动技术的人脸识别方法，其特征在于，利用所述判别投影矩阵对测试样本和训练样本进行线性变换，包括：获取训练样本集X、标签向量Y和测试样本集Z；将所述训练样本集X和测试样集Z全部归一化为单位向量x
i
＝x
i
/||x
i
||2；x
i
表示矩阵X或矩阵Z中的某个列向量；通过减去训练样本集X的矩阵均值，将训练样本集X变换为中心矩阵。4.弹性网正则线性回...

【专利技术属性】
技术研发人员：刘侍刚，王兆朋，彭亚丽，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：