[发明专利]一种基于最优协同表示的稳健判别特征提取方法

说明书

本发明涉及一种基于最优协同表示的稳健判别特征提取方法，包括计算机及存储其中的图像库，并从图像库提取基于最优协同表示的L_2,p(0＜p＜2)范数稳健判别特征；本发明应用于智能交通、人脸识别、公安系统中特定人物身份判定等领域，在低维空间中自适应地更新协同表示系数矩阵，从而更好地反映了低维空间中样本间的协同重构关系和局部几何信息，采用L_2,p(0＜p＜2)范数，并用迭代方法求解投影矩阵，使得投影矩阵在迭代过程中不断得到优化，保证提取最优协同表示的L_2,p(0＜p＜2)范数稳健判别特征。

技术领域

本发明属于人物身份识别技术领域，特别是涉及一种基于最优协同表示的稳健判别特征提取方法。

背景技术

从几何结构保持的角度来讲，现有的特征提取方法包括基于流形结构保持理论、基于低秩表示理论、基于稀疏表示理论和基于协同表示理论四大类。以流形结构保持为思想的特征提取方法通过寻找一组投影向量，将高维空间数据投影到低维子空间，同时保持高维空间中的流形结构。例如，局部保持投影(LPP)方法是一种典型的流形学习方法，它需要在高维空间中人工构造相似性权值矩阵，其分类性能易受到噪声点的影响。基于低秩表示理论的方法主要为了保持数据的低秩重构关系，如低秩保持嵌入(LRPE)等方法；基于稀疏表示的特征提取方法则主要是为了在低维空间中保持数据的稀疏重构关系。基于低秩表示理论和基于稀疏表示理论的特征提取方法由于计算重构表示系数时需要不断迭代，因而通常具有较高的计算复杂度。基于协同表示理论的特征提取方法，其目的是为了保持样本在低维空间中的协同重构关系，协同表示方法本质上是求解L₂范数平方正则的最小二乘，它能够得到协同表示系数的闭式解，因而受到了广大研究者的青睐。这些特征提取方法包括协同表示投影(collaborative representation based projections，CRP)，正则化最小二乘判别投影(regularized least square based discriminative projections，RLSDP)，协同表示重构投影(collaborative representation reconstruction basedprojections，CRRP)等。CRP是一种无监督的特征提取方法，其通过最小化协同重构误差同时最大化全局散度信息来获取投影矩阵；RLSDP在CRP的基础上引入了一定的监督信息来提取特征，但其判别能力仍然不足；CRRP利用高维空间的样本协同表示系数来构造重构散度矩阵，通过最大化类间重构误差同时最小化类内重构误差来获取投影矩阵。在特征提取过程中，三种方法都采用高维空间中求取的固定不变的协同表示系数，并采用平方L₂范数来度量样本间的差异性。

现有的大部分基于协同表示的特征提取方法通常在原始高维空间中计算协同表示系数并在特征提取过程中保持不变，无法真实反映低维子空间中样本的协同重构关系和局部几何信息；此外，采用平方L₂范数来度量样本间的差异性，放大了距离大的样本的作用，但这类样本通常受到噪声污染，从而降低了特征提取算法的稳健性。

因此，应用于智能交通、人脸识别、公安系统中特定人物身份判定等领域,有必要发明一种基于最优协同表示的稳健判别特征提取方法。

发明内容

本发明所要解决的技术问题是：提出一种基于最优协同表示的稳健判别特征提取方法，从图像库提取基于最优协同表示的L_2,p(0＜p＜2)范数稳健判别特征。

本发明采用的技术方案是：包括计算机及存储其中的图像库，并从所述图像库提取基于最优协同表示的L_2,p(0＜p＜2)范数稳健判别特征；

所述基于最优协同表示的稳健判别特征提取方法，提取方法包括如下步骤：

S10，构造训练样本集X和测试样本集X^test；

S20，预设相关参数及类内相似性权重矩阵W，令初始迭代次数t＝0，并初始化低维投影矩阵Q_t；