[发明专利]基于核最近子空间的人脸识别方法

摘要

本发明公开了一种基于核最近子空间的人脸识别方法，主要解决现有方法不能对数据非线性特征进行线性表示的问题。实现步骤为：(1)将训练样本矩阵和测试样本通过Mercer核经验映射至非线性特征空间，然后对映射后的样本进行降维并归一化处理，再把降维后的每一类训练样本提取出来；(2)求解归一化后的测试样本与每一类训练样本矩阵之间的样本重构系数，对原测试样本进行重构；(3)求得各类别重构样本与原测试样本的残差，再将残差中的最小值对应下标的类别作为测试样本所属的类别。本发明提高了在人脸识别应用中的精度，同时将应用范围推广至低维样本，使其更具有通用性，可用于公共安全，信息安全，金融安全的监督和防护。

主权项

1.一种基于核最近子空间的人脸识别方法，包括如下步骤：(1)输入总训练样本矩阵和测试样本其中表示实数集，k表示类别数，i＝1，2，…，k，表示第i类的训练样本矩阵，v_i，j是一个训练样本，j＝1，2，…，n_i，n_i为第i类的样本个数，m为样本维数，总样本个数为(2)通过Mercer核经验映射方法，将训练样本矩阵与测试样本映射至非线性特征空间，得到映射训练样本矩阵和映射测试样本第i类映射训练样本矩阵为i＝1，2，…，k；(3)随机产生矩阵作为随机投影矩阵，其中d＜＜n，再将随机投影矩阵P分别与映射训练样本矩阵M和映射测试样本l相乘，进行随机降维处理，并对降维后的训练样本矩阵和降维后的测试样本进行列归一化，获得降维并归一化的训练样本矩阵和降维并归一化的测试样本(4)根据上一步得到的第i类降维并归一化的训练样本矩阵和降维并归一化的测试样本利用最小二乘法求解下面的线性方程组：l~=M~ixi,i=1,2,···,k]]>解出第i类样本的重构系数向量x_i，其中为降维并归一化的测试样本在上的重构样本；(5)计算降维并归一化的测试样本与其重构样本的残差r_i(l)：ri(l)=||l~-M~ixi||2,i=1,2,···,k;]]>(6)在k个残差r_i(l)中求得最小值，以该最小值对应下标的类别作为测试样本y所属的类别。