一种基于判别共享邻域保持的极限学习机人脸降维方法技术

本发明专利技术公开了一种基于判别共享邻域保持的极限学习机人脸降维方法，包括如下步骤：S1、图像预处理：对人脸图像采集模块采集到的人脸图像进行尺度归一化处理；S2、输入层：输入经过尺度归一化处理的人脸特征X；S3、隐含层：选用非线性激励函数，将单样本人脸特征X随机非线性映射到N维特征空间，变换得到特征H(X)；S4、输出层：固定特征H(X)；S5、样本数据库：存储经过降维处理的人脸样本数据t。本发明专利技术提出了SGRD

【技术实现步骤摘要】
一种基于判别共享邻域保持的极限学习机人脸降维方法


[0001]本专利技术属于生物特征识别系统领域，具体涉及一种基于判别共享邻域保持的极限学习机人脸降维方法。

技术介绍

[0002]伴随着人工智能、大数据时代的到来，人们需要在日常生活、经济贸易、信息登记和检验等场合验证身份信息。如今，身份认证技术已广泛应用于国家、社会的各领域，近年来，随着电子银行、线上商业、线上教育、智能门禁等模式的推广，人们对于保障身份信息的安全性愈来愈重视。传统的身份认证方法(如密码、身份证等)因其容易盗取、假冒，已无法满足人们对个人信息安全的需求。生物特征识别技术因其稳定高效、单一快速等优势在身份认证领域迅速崛起，已成为人工智能时代学者们研究的热点。用于识别的人类生物特征一般有：人脸、虹膜、掌纹、指纹和步态等，而人脸图像识别因其方便获取，具有丰富的信息和非接触性的优势，已成为了生物特征识别技术研究的焦点之一。然而，人脸数据往往呈现较高维的复杂几何结构，维度过高易造成维数灾难，导致人脸识别效果不理想。因此，对人脸数据进行有效降维具有十分重要的现实意义。
[0003]现有技术：一般，数据降维可以通过利用线性或者非线性变换将原始数据投影到一个合适的低维空间，同时尽量保持低维数据的几何关系不被改变。经典的线性降维方法有：主成分分析(PCA)、线性判别分析(LDA)、独立成分分析(ICA)、局部保持投影(LPP)、邻域保持嵌入(NPE)、稀疏保持投影(SPP)等。线性降维方法有显式的映射表达，可解决out
‑
of
‑r/>sample问题，但对于本质结构为非线性的数据降维效果不好。为解决这一问题，许多非线性降维算法被提出，主要分为核函数降维方法和流形学习方法。代表性的核函数降维算法有：核主成分分析(KPCA)、核线性判别分析(KLDA)、核独立成分分析(KICA)，Hessian局部线性嵌入(HLLE)等。核函数降维算法需要先验知识选取核函数类型，不同核函数的降维效果相差较大。局部线性嵌入(LLE)和等距映射(ISOMAP)都是经典的流形学习方法，没有显式的映射表达，无法解决out
‑
of
‑
sample问题，当有新样本加入时，需要重新训练算法参数，极大的限制了其实际应用。
[0004]2014年，Huang等提出了一种具有显式表达的非线性降维算法
‑‑
无监督极限学习机(Unsupervised Extreme Learning Machine，US
‑
ELM)。US
‑
ELM计算高效、对新样本泛化性强，可以有效解决out
‑
of
‑
sample问题。2016年，Peng等将流形学习思想引入到ELM框架中，提出了基于图判别信息正则化的极限学习机算法(GELM)和一种判别流形极限学习机算法(DMELM)，DMELM算法相较于GELM算法增加了判别信息，从而使得后者在处理人脸特征等流形非线性数据时具有更加良好的分类性能，也给ELM算法的改进方向提供了一个新的分支。
[0005]上述现有技术的缺点：
[0006]1、线性降维技术无法挖掘、分析数据潜在的几何结构，对于具有低维流形的非线性高维数据，降维性能会大大降低。
[0007]2、核化线性降维和流形学习等非线性降维方法没有明确的显式映射表达式，无法解决样本外的问题，即新样本加入时，这些非线性降维模型需重新学习优化。
[0008]3、US
‑
ELM算法挖掘高维非线性数据样本点邻域信息能力差和无法考虑类别信息。
[0009]为此，我们提出一种基于判别共享邻域保持的极限学习机人脸降维方法，以解决上述
技术介绍
中提到的问题。

技术实现思路

[0010]本专利技术的目的在于提供一种基于判别共享邻域保持的极限学习机人脸降维方法，以解决上述
技术介绍
中提出的问题。
[0011]为实现上述目的，本专利技术提供如下技术方案：一种基于判别共享邻域保持的极限学习机人脸降维方法，包括如下步骤：
[0012]S1、图像预处理：对人脸图像采集模块采集到的人脸图像进行尺度归一化处理；
[0013]S2、输入层：输入经过尺度归一化处理的人脸特征X；
[0014]S3、隐含层：选用非线性激励函数(sigmoid函数)，将单样本人脸特征X随机非线性映射到N维特征空间，变换得到特征H(X)；
[0015]S4、输出层：固定特征H(X)，首先，选用经典的Dijkstra算法来计算样本点间的测地距离，在测地距离中加入或减去带有权重的类别距离，得到基于判别信息的新的测地距离，对其进行升序排列；
[0016]然后，通过Rank
‑
order距离计算任意两个样本点间的共享的邻域信息，从而获得拥有判别信息的Geodesic Rank
‑
order距离；
[0017]最后，归一化SGRD距离，利用其寻找出样本点的邻域，从而计算出样本点的稀疏邻域重构权值矩阵W
SGRD
；
[0018]设定输出特征t的维数m小于输入特征X的维数d，利用方程组求解方式得到隐含层和输出层的连接权值β，从而得到SGRD
‑
ELM降维输出模型为t＝H(X)β；
[0019]S5、样本数据库：存储经过降维处理的人脸样本数据t。
[0020]所述步骤S3的实现具体如下：
[0021]步骤S31、设置隐含层神经元个数为L，L∈N
+
，N
+
代表正整数；
[0022]步骤S32、随机产生隐含层的输入权值矩阵a＝[a1，a2，
…
，a
i
]T
和隐含层阈值矩阵b＝[b1，b2，
…
，b
i
]T
，其中，i＝1，2，
…
L，a
i
表示第i个隐含层节点的输入权值向量，b
i
表示第i个隐含层节点的阈值；
[0023]步骤S33计算人脸特征X的第i个样本xi在隐含层的输出向量h(x)＝[h1(x)，h2(x)，
…
，h
L
(x)]∈R1×
L
；
[0024]其中x∈R
d
，h
i
(x)为第i个隐含层节点的输出特征，其表达式为：h
i
(x)＝g(a
i
，b
i
，x)，a
i
∈R
d
，b
i
∈R，其中，g(a
i
，b
i
，x)为隐含层节点的非线性激活函数，采用sigmoid函数，则
[0025][0026]步骤S34计算人脸数据X在隐含层输出：
[0027][0028]所述步骤S4的实现具体如下：
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于判别共享邻域保持的极限学习机人脸降维方法，其特征在于：包括如下步骤：S1、图像预处理：对人脸图像采集模块采集到的人脸图像进行尺度归一化处理；S2、输入层：输入经过尺度归一化处理的人脸特征X；S3、隐含层：选用非线性激励函数，将单样本人脸特征X随机非线性映射到N维特征空间，变换得到特征H(X)；S4、输出层：固定特征H(X)，首先，选用经典的Dijkstra算法来计算样本点间的测地距离，在测地距离中加入或减去带有权重的类别距离，得到基于判别信息的新的测地距离，对其进行升序排列；然后，通过Rank
‑
order距离计算任意两个样本点间的共享的邻域信息，从而获得拥有判别信息的Geodesic Rank
‑
order距离；最后，归一化SGRD距离，利用其寻找出样本点的邻域，从而计算出样本点的稀疏邻域重构权值矩阵W
SGRD
；设定输出特征t的维数m小于输入特征X的维数d，利用方程组求解方式得到隐含层和输出层的连接权值β，从而得到SGRD
‑
ELM降维输出模型为t＝H(X)β；S5、样本数据库：存储经过降维处理的人脸样本数据t。2.根据权利要求1所述的一种基于判别共享邻域保持的极限学习机人脸降维方法，其特征在于：所述步骤S3的实现具体如下：步骤S31、设置隐含层神经元个数为L,L∈N
+
,N
+
代表正整数；步骤S32、随机产生隐含层的输入权值矩阵a＝[a1,a2,
…
,a
i
]
T
和隐含层阈值矩阵b＝[b1,b2,
…
,b
i
]
T
，其中,i＝1,2,
…
L,a
i
表示第i个隐含层节点的输入权值向量，b
i
表示第i个隐含层节点的阈值；步骤S33计算人脸特征X的第i个样本x
i
在隐含层的输出向量h(x)＝[h1(x),h2(x),
…
,h
L
(x)]∈R1×
L
；其中x∈R
d
，h
i
(x)为第i个隐含层节点的输出特征，其表达式为：h
i
(x)＝g(a
i
,b
i
,x),a
i
∈R
d
,b
i
∈R，其中，g(a
i
,b
i
,x)为隐含层节点的非线性激活函数，采用sigmoid函数，则步骤S34计算人脸数据X在隐含层输出：3.根据权利要求1所述的一种基于判别共享邻域保持的极限学习机人脸降维方法，其特征在于：所述步骤S4的实现具体如下：步骤S41、构建邻接图G：首先，计算数据集X所有样本点间的欧式距离，即计算样本点x
i
与样本点x
j
之间的欧氏距离d
ij
＝(x
i
,x
j
)；其次，将计算得到的全局样本点间的欧氏距离d
ij
放到邻接图G，邻接图G中G(i,j)代表
了样本点x
i
到样本点x
j
的欧式距离；最后，为了合理构建邻接图G，一般基于先验知识设定一个阈值δ；若G(i,j)小于阈值δ，G(i,j)的值保持不变；否则，G(i,j)的值定义为无穷；步骤S42、在邻接图G中，通过Dijsktra算法计算数据集...

【专利技术属性】
技术研发人员：吕巨建，李灿耀，赵慧民，陈荣军，熊建斌，李键红，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：