[发明专利]小样本线性鉴别特征的快速实时抽取方法

摘要

本发明公布了一种小样本线性鉴别特征的快速实时抽取方法。所述方法包括：利用训练样本构造差矢量，对其计算和重新排列得到新的矢量，对新矢量构成的矩阵进行QR分解得到小样本条件下的最佳线性鉴别矢量；在识别阶段将样本特征和待识别特征分别投影到计算出的线性鉴别矢量上，得到最佳鉴别特征，然后计算待识别特征和样本特征的距离，将待识别人脸图像归入最小距离对应的人脸类别中。本发明所得线性鉴别矢量和特征互不相关，消除了线性鉴别特征间的冗余，提高了所得鉴别特征的鉴别能力。所得线性鉴别矢量位于总散度阵的秩空间和类内散度阵的零空间中。由于使用QR分解计算正交化的线性鉴别矢量，因此本方法有较好的数值稳定性和快速实时的性能。

主权项

1.一种小样本线性鉴别特征的快速实时抽取方法，其特征在于包括如下步骤：(1)、计算线性鉴别矢量有C个类别的样本，第i个类别有n_i个训练样本，i＝1，2...，C，总样本数为将采集到的样本用矢量表示，即表示第i个类别中的第j个样本；用n个总样本计算n-1个差矢量其中：dk1=xk+11-x11,k=1,2,...,n1-1,]]>dli=xli-x11,i=2,...,C,l=2,...,ni,]]>表示第1个类别中的第k+1个样本，表示第1个类别中第1个样本，表示第i个类别中的第l个样本；利用n-1个差矢量计算n-1个新矢量：g11,...,gn1-11,g12,...,gn2-12,...,g1C,...,gnC-1C,g12,...,g1C,]]>其中：g11,...,gn1-11=d11,...,dn1-11,]]>g12,...,gn2-12=d22-d12,...,dn22-d12,]]>g1C,...,gnC-1C=d2C-d12,...,dnCC-d12,]]>g12,...,g1C=d1C,...,d1C,]]>将n-1个新矢量作为列矢量构成矩阵GG=[g11,...,gn1-11,g12,...,gn2-12,...,g1C,...,gnC-1C,g12,...,g1C];]]>对矩阵G进行QR分解得到n-1个列相互正交的矩阵：Q＝[q₁，q₂，...，q_n-1]；选择矩阵Q的列矢量中的最后C-1个矢量q_n-C+1，...，q_n-1作为最佳线性鉴别矢量；(2)、计算训练样本的线性鉴别特征将第i个类别中的第j个训练样本投影到C-1个最佳线性鉴别矢量上得到C-1个最佳线性鉴别特征其中：表示第i个类别中的第j个训练样本的最佳线性鉴别特征；矩阵[q_n-C+1，...，q_n-1]^T表示矩阵[q_n-C+1，...，q_n-1]的转置；(3)、计算待识别样本的线性鉴别特征将待识别样本x投影到C-1个最佳线性鉴别矢量上得到鉴别特征：y＝[q_n-C+1，...，q_n-1]^Tx；(4)、计算训练样本鉴别特征和待识别样本鉴别特征y的距离，将待识别样本归入最小距离对应的训练样本所属的类别中：计算和y的最小距离：i＝1，2，...，C，其中表示和y的欧氏距离，min表示求最小距离；识别的准则是将待识别样本x归入最小距离对应的训练样本所属的类别中。