[发明专利]一种基于子空间分析的分类识别方法

说明书

本发明涉及基于子空间分析的新型分类识别算法，其借鉴稀疏性分析模型和支持向量机的思想，设计J类分类器组合，对每个分类器组，把匹配的测试样本投影到零点附近，而不匹配的样本投影到离零点尽可能远处；然后根据最近邻原理进行分类判别。本发明将子空间分析分类器用于人脸识别，在ORL人脸识别数据库上的实验中，子空间分析分类器表现出了优于传统分类器的分类性能；在小样本数据实验中，具有识别速度快，精度高，不需要长时间训练的特点；实验结果充分证实了子空间分析分类器的可行性和有效性。

技术领域

本发明涉及一种分类识别方法，尤其是涉及一种基于子空间分析的分类识别方法。

背景技术

随着模式识别、机器学习、人工智能等领域的不断发展和新技术的不断涌现，分类算法得到了长足的发展。作为模式识别的最后一个环节，分类识别是至关重要的。这个阶段的工作就是设计分类器，将待识别的图像特征与训练样本图像特征进行匹配，获得分类结果。在无监督学习的分类器设计中，最近邻(NN，NearestNeighbor)思想应用最为广泛。其主要原则是如果一个样本在特征空间中的最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。后来衍生出来的最近特征线(NearestFeature Line，NFL) 和最近特征面(Nearest Feature Plane，NFP)以及最近特征子空间(Nearest Feature Subspace，NFS)算法都是这一思想的具体实现，都是计算测试样本到训练样本组成区域(点线面子空间)的最短距离。基于监督学习的分类器有支持向量机和神经网络的分类器，需要很长训练时间，且当样本不充分时容易陷入局部最小。

近些年来，出现了一类基于线性稀疏表示的分类器，给模式识别特别是人脸识别注入了新的活力。它利用信号稀疏表示特点进行模式识别分类，有很好的鲁棒性。从表示的角度来看，NN，NFL，NFP都可以看成是稀疏表示，只不过它们是稀疏度分别是已经知道，而SRC是稀疏度自适应。文献研究发现各类样本间的协同表示才是SRC算法取得成功的关键，提出了基于l2范数的协同表示分类，它利用不同样本之间相似性竞争获得较好的识别效果，有较高的鲁棒性，由于采用l2范数其识别速度明显提高。Vincent和Bengio认为高维空间中的样本位于低维样本流形上，并且局部保持着线性结构，提出局部超平面距离和局部凸距离的最近邻分类算法。

发明内容

本发明专利提出来一种可以在微型控制器上实现的一种基于子空间分析的新型分类识别方法，算法复杂度低，对硬件要求不高，识别速度快，精度高，性能稳定。

一种基于子空间分析的新型分类识别方法，对人脸样本信号，设计人脸分类器，任意一个给定图像块有m×n像素，其拉直后有x∈R^N×1，这里N＝m×n，给定J类样本每类有L_j个样本，Ωj表示第j类样本投影矩阵，X_j代表第j类训练样本，X_j*代表第j类训练样本以外的其他类样本，Ω_j^*表示第j类样本投影矩阵外的其他投影矩阵；

令对L_j≤N由下式决定

定义

其中，

因此

其中，Ω(l，：)^T属于对称向量R_j所对应的N个归一化特征向量集合

这里并且其受如下约束 rank(Ω_j)＝L_j，式(1)的解如下：