[发明专利]多源域自适应的人脸识别方法

权利要求书

1.一种域自适应人脸识别方法，其特征为：

1)：学习多个源域和单目标域公共子空间，要求满足源域和目标域在公共子空间中既能很好地相互表示，又可以保持自己的结构特征，通过对样本稀疏重建和总体相关性进行约束，为每个域学习一个投影矩阵W_i和稀疏表示系数矩阵V_i，得到每个域在公共子空间的表示，表示为Z_i；通过对多个源域X_i和单个目标域X_v+1相互进行稀疏表示的方法学习得到一个公共子空间；

2)：在公共子空间中对多个源域数据和目标域数据进行相互表示得到目标化的源域数据X_s→t，使源域样本数据分布逼近目标域样本数据分布；通过对稀疏重建和总体相关性进行约束，使每个源域和目标域之间的差异减少并能保持数据各自的特性，将稀疏重建系数和每个投影矩阵合成一个共同的求解函数：其中

3)：用X_s→t和源域标签用线性判别分析方法学习得到一个核判别分类器

4)：录入图片库每个人一张图片；

5)：在进行人脸识别时，采用将样本投影到高维空间后，对样本进行核余弦相似度求解：

将图片库与分类器做相乘运算，得到其判别特征；用同样的方法得到测试的样本x^p的判别特征，通过计算测试样本判别特征和图片库中图片判别特征的相似度，对相似度最高的图片标签作为人脸识别的结果。

2.如权利要求1中所述的域自适应人脸识别方法，其特征为：求解函数通过共同迭代学习求解投影矩阵[W_i,W_v+1]和稀疏重建系数并通过1范数约束将其转化为广义特征值求解：

3.如权利要求2中所述的域自适应人脸识别方法，其特征为：根据稀疏表示系数对多个源域和目标域相互表示，得到目标化源域的样本数据X_s→t，学习得到核分类器求解方法如下：

在高维空间中，任何一个矢量W都可以用H中的所有样本数据进行线性表示，将特征空间H中的目标域样本、目标域样本均值、特征空间H中样本均值和样本类内均值投影到W上，分别为a^Tξ_x,a^Tm^v+1,得到核判别分类器，其表达形式：