[发明专利]一种基于局部信息和组稀疏约束的半监督人脸识别方法

说明书

技术领域

本发明属于机器学习技术领域，特别涉及一种基于局部信息和组稀疏约束的半监督人脸识别方法。

背景技术

人脸识别是进行身份识别的一项重要生物识别技术，在多种领域已经取得了广泛的应用，如智能门禁、人机交互、权限管理等。近年来，随着多媒体技术和网络技术的快速发展，人脸数据逐渐呈现出高维特征，这些高维人脸数据的处理不但需要消耗大量的时间和空间资源，且该类数据往往包含大量冗余信息，给基于该类数据的人脸识别方法带来了挑战。

现有的人脸识别方法虽然有对输入数据进行特征的筛选，如利用主成员分析(PCA)、FISHER等方法进行代表性特征的选择，然而这些方法主要存在两个方面的问题：(1)这些方法仅考虑了相同数据特征之间联系，而缺乏对不同数据特征之间相关性的分析，从而导致很难筛选出最具代表性的特征；(2)这些方法容易受到外界噪声的影响，尤其在数据集中存在较多未标记数据时，如果不能有效抑制噪声的干扰，将严重影响人脸识别的效果。

基于以上分析，现有的人脸识别方法对识别的准确性不高，有待改进。

发明内容

本发明的目的，在于提供一种基于局部信息和组稀疏约束的半监督人脸识别方法，其可有效提高人脸特征选择和识别的准确度，同时可有效抑制数据集中噪声的干扰。

为了达成上述目的，本发明的解决方案是：

一种基于局部信息和组稀疏约束的半监督人脸识别方法，包括如下步骤：

(1)获取一个包含n个高维数据的人脸数据集X∈R^d×n，其中，d为数据维度，该人脸数据集中包含m个已标记数据集X_l∈R^d×m及对应的标签矩阵Y_l∈R^m×^c,其中，c为人脸数据的分类数；

(2)在数据集X上，构建基于局部信息约束的无监督人脸特征选择模型；

(3)在已标记数据集X_l上，构建基于矩阵l_2,1损失函数的监督人脸特征选择模型；

(4)构建组稀疏约束的人脸特征选择目标函数；

(5)利用迭代优化算法求解步骤(4)中的目标函数；

(6)以经过步骤(5)筛选过后的人脸特征作为SVM的输入，训练得到SVM分类器，并完成对人脸的识别。

上述步骤(2)中，构建的基于局部信息约束的无监督人脸特征选择模型是；

其中，I_u∈R^c×c是c阶单位矩阵，L的定义如下:

其中，I_d∈R^d×d是d阶单位矩阵，是由数据集X中第i个数据x_i及其k个最近邻组成的数据集；是中心化矩阵，其中I_k+1∈R^(k+1)×(k+1)是k+1阶单位矩阵，1_k+1是成员全为1的向量；S_i∈R^n×(k+1)为局部分类选择矩阵，S_i定义如下：

其中，设数据x_p是数据x_i的近邻中距离由小到大第q个邻近数据。

上述步骤(3)中，构建的基于矩阵l_2,1损失函数的监督人脸特征选择模型是；

其中，b_l为偏差项，1_l为全1向量，Y_l为标签矩阵，||·||_2,1为矩阵的l_2,1范数,对于任意矩阵M∈R^r×p，其l_2,1范数定义为：

上述步骤(4)中，构建的组稀疏约束的人脸特征选择目标函数如下：

其中，和用于增强模型的泛化能力，防止过拟合；W＝[W_u,W_l]为组稀疏约束矩阵。

上述步骤(5)的具体过程是：

(51)首先对目标函数进行优化：

设目标函数相对于b_l的偏导数为0，得到

将求解得到的b_l代入目标函数中，得到转换后的目标函数为：