[发明专利]基于加权最大间距准则的人脸数据可分性特征提取方法

摘要

本发明公开了一种基于加权最大间距准则的人脸数据可分性特征提取方法，主要解决已有最大间距准则MMC特征提取用非常有限的训练样本无法较为准确地估计超高维空间样本的真实散布，导致了MMC所提取的特征推广能力差，最终影响了分类的准确率的问题。其实现方案是1)计算原始数据的类间散布矩阵Sb和类内散布矩阵Sw；2)对类间和类内散布矩阵加权，得到加权最大间距准则WMMC函数；3)最大化WMMC准则函数，得出映射矩阵；4)将原始数据映射到WMMC子空间；5)在WMMC子空间分类。本发明能在超高维小样本情况下，提取出推广能力强的可分性特征，从而提高人脸识别率，可用于超高维小样本数据的可分性特征提取。

主权项

一种基于加权最大间距准则的人脸数据可分性特征提取方法，包括：(1)将给定的人脸数据集划分为训练样本和测试样本，用训练样本计算原始数据的类间散布矩阵Sb和类内散布矩阵Sw；(2)对类间散布矩阵Sb乘以小于1的权重αb，对类内散布矩阵Sw乘以大于1的权重αw，得出加权最大间距准则WMMC函数：J(W)＝tr[WT(αbSb‑αwSw)W]，其中，tr表示矩阵的迹，即矩阵主对角线元素的和，T表示矩阵的转置，αb表示Sb的权重，αw表示Sw的权重，且0＜αb≤1，1≤αw；(3)求解加权最大间距准则WMMC函数中的映射矩阵W：3a)在以W各列为基向量所支撑的特征子空间各维正交归一化作为约束条件，最大化WMMC函数，得到最优化模型：maxΣk=1dwkT(αbSb-αwSw)wk]]>s.t.wkTwk=1,k=1,2,...,d]]>其中，wk表示W的列向量，为正交归一化约束条件，d表示特征子空间维数；3b)利用拉格朗日乘数法，对最优化模型进行求解，得到映射矩阵W，该W的各列即为WMMC所提取的人脸数据的可分性特征。