[发明专利]一种基于加权的Huber约束稀疏编码的人脸识别方法

权利要求书

1.一种基于加权的Huber约束稀疏编码的人脸识别方法，其特征在于，包括：

采用回归分类器作为人脸识别的基础，引入L1正则约束，对查询样本y在训练样本集X的编码系数进行稀疏化，得到稀疏编码模型；

在所述稀疏编码模型的基础上，采用Huber损失函数替代L1保真项或L2保真项，得到稀疏鲁棒性编码模型；

根据训练样本集和查询样本y的残差获取训练样本集中各像素点的权重；在所述稀疏鲁棒性编码模型的基础上，利用所述权重以及Huber损失函数的阈值得到目标编码模型；所述目标编码模型为基于加权的Huber约束稀疏编码模型；所述训练样本集包括样本子集或样本全集；所述加权的Huber约束稀疏编码模型为：

其中，g(z)是Huber损失函数，λ||α||₁为正则约束；并由s.t.z＝W(Xθ-y)以及α＝θ对编码系数θ进行约束；并且，W是像素点的权重，η是Huber损失函数的阈值；

根据所述目标编码模型中的编码系数获取查询样本y在训练样本集X中的残差向量；根据所述残差向量分析闭塞环境下查询样本的识别率。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标编码模型中的编码系数获取查询样本y在训练样本集X中的残差向量中，所述残差向量为：

e＝[e₁，e₂，……,e_i，……,e_c]，c∈正整数，c为样本类别数量，

其中e_i＝y-X_iθ_i；e_i为查询样本的编码系数在第i个类别θ_i上的残差，由各个像素点残差构成。

3.根据权利要求1所述的方法，其特征在于，当查询样本y的编码系数θ在各个类别上的残差服从高斯分布时，所述稀疏编码模型为：

其中λ是范数的惩罚系数。

4.根据权利要求1所述的方法，其特征在于，当查询样本y的编码系数θ在各个类别上的残差服从拉普拉斯分布时，所述稀疏编码模型为：

其中λ是范数的惩罚系数。

5.根据权利要求1所述的方法，其特征在于，所述稀疏鲁棒性编码模型为：

其中，g(z)是Huber损失函数，λ||α||₁是正则约束；并由z＝Xθ-y以及α＝θ对编码系数θ进行约束；并且，η为Huber损失函数的阈值。

6.根据权利要求1所述的方法，其特征在于，所述Huber损失函数的阈值以及像素点权重，用于在Huber损失函数中判断像素点保真项类型是使用或是||y-Xθ||₁。

7.根据权利要求1所述的方法，其特征在于，所述稀疏鲁棒性编码模型的基础上，利用所述权重以及Huber损失函数的阈值得到目标编码模型，其中，所述权重为W＝diag([w₁，w₂，…，w_m])∈R^m×m，w_a是训练样本集X∈R^m×n中第a个像素点的权重，e_a是第a个像素点的残差；

w_a对应的逻辑函数为：

其中，μ和δ是正标量，参数δ是分界点；当残差大于δ时，权重小于0.5；当残差等于δ时，权重等于0.5；当残差小于δ时，权重大于0.5。