[发明专利]一种基于LPP特征提取的单样本人脸识别迁移学习方法

权利要求书

1.一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于：包括如下步骤：

步骤1，给定迁移源TS，计算类别i的平均脸AF_i，并基于先验概率求解类内样本协方差矩阵∑_w，并获取白化算子W_w；

步骤2，由所述白化算子W_w作用于各源样本与目标训练样本使所述各源样本和目标训练样本投影到白化子空间R^d，得到白化子空间R^d内所述各源样本和目标训练样本的余弦相似度取余弦相似度δ_WWC≥θ₁的源样本进入精选迁移源SS；

步骤3，构建所述精选迁移源SS的邻接图G，计算度对角矩阵D、图拉普拉斯矩阵L；

步骤4，求解特征投影矩阵A，并计算所述精选迁移源SS中样本到特征子空间R^d内的投影；

步骤5，获取最优特征迁移矩阵将所述最优特征迁移矩阵作用于目标样本将其迁移为样本使所述样本与测试样本拥有相同特征gn，所述特征gn宏观表征下为qn；

步骤6，利用1-NN判定所述测试样本

2.根据权利要求1所述一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于：所述步骤1中，基于先验概率的类内样本协方差矩阵∑_w表达式如下：

Σw=Σi=1LP(Ii)Σs=1K(Iiqs-AFi)(Iiqs-AFi)T;]]>

式中，为类别i的平均脸，为类别i中具有宏观特征ql的源样本，P(I_i)为先验概率，且有P(I_i)=num(I_i)／num(TS)，num(·)为样本数，I_i表示第i类人脸样本集，L表示人脸类别总数，K为每类人脸中宏观特征数；

获取白化算子W_w步骤如下：将所述类内样本协方差矩阵∑_w进行PCA特征分解：得到两两正交的特征向量矩阵Φ_w与特征值对角矩阵Λ_w；对所述源样本与目标训练样本进行白化操作，得到白化算子W_w表达式如下：

Ww=ΦwΛw-1/2;]]>

将所述白化算子W_w作用于源样本得到子空间R^d内源样本的白化投影样本则低维特征子空间R^d类内样本协方差矩阵为：

Σwf=Σi=1Lp(Ii)Σs=1K(Iif-AFif)(Iif-AFif)T=Σi=1LP(Ii)(ΦwΛw-1/2)T[Σs=1K(Iiqs-AFi)(Iiqs-AFi)T](ΦwΛw-1/2)=Λw-1/2(ΦwTΣwΦw)Λw-1/2=Λw-1/2ΛwΛw-1/2=Ed]]>

式中，为低维特征子空间R^d内的类别i平均脸，E_d为d阶单位矩阵。