[发明专利]基于软标签下多通道判别非负矩阵分解的人脸识别方法

摘要

本发明公开了一种基于软标签下多通道判别非负矩阵分解的人脸识别方法，主要解决现有技术对连续遮挡人脸的识别率较低的问题。其技术方案是：1.构造训练集第k个通道的训练数据矩阵；2.由训练数据获得本地标签矩阵，并构造预测标签矩阵及辅助矩阵，通过引入预测标签矩阵的全局损失和中心损失函数，形成新的目标函数；3.对该目标函数优化求解，迭代更新得到基矩阵、辅助矩阵和预测标签矩阵；4.构造测试集第k个通道的测试数据矩阵，将其在基矩阵上投影得到投影系数矩阵；5.用局部分类器计算各通道的贡献度，并构建全局分类器得到测试图像的类别。本发明能够有效提高连续遮挡下的人脸识别率，可应用于身份验证和信息安全领域。

主权项

1.基于软标签下多通道判别非负矩阵分解的人脸识别方法，包括：/n(1)将训练集中的每幅图像等分为W个通道，并构成相应的W个矩阵B(k)，k∈[1,W]；/n(2)由训练数据得到本地标签矩阵C；/n(3)定义预测标签矩阵F的全局一致性函数J_{globle_consistency}，向该函数中添加标签矩阵F的范数约束，得到的全局损失函数J_{globle_loss}：/n /n /n其中，C_i,j和F_i,j分别为本地标签矩阵C和预测标签矩阵F的第i行第j列元素，c为样本所包含类的总数，n为训练样本总数，l为有标签的样本数，λ₁为稀疏正则化参数，||·||_2,1表示求取矩阵的范数；/n(4)定义预测标签矩阵F的中心损失函数J_{center_loss}：/n /n其中，(F)⁽ⁱ⁾表示第i类样本的预测标签矩阵，表示(F)⁽ⁱ⁾的均值向量，n_i为第i类样本的总数，λ₂为类内正则化参数，λ₃为类间正则化参数；/n(5)将第k个通道的全局损失函数J_{globle_loss}和中心损失函数J_{center_loss}作为约束项，引入到非负矩阵分解模型中，得到软标签下多通道判别非负矩阵分解MDNMF_SL的目标函数：/n /n其中，B(k)为第k个通道的数据矩阵；Z(k)为第k个通道的基矩阵，m_k为每幅子图像的维数，f_k为分解维数；A(k)为第k个通道的辅助矩阵，F(k)为第k个通道的软约束矩阵，F_i,j(k)为F(k)第i行第j列元素，C_i,j(k)为第k个通道的本地标签矩阵C(k)的第i行第j列元素，(F(k))⁽ⁱ⁾表示第i类第k个通道的预测标签矩阵，表示(F(k))⁽ⁱ⁾的均值向量，/n(6)对MDNMF_SL的目标函数进行优化求解，实现对第k个通道的数据矩阵B(k)的分解，得到基矩阵Z(k)、辅助矩阵A(k)和预测标签矩阵F(k)；/n(7)选择g幅人脸图像构成测试集，对测试集中的每幅图像采用与步骤(1)相同的处理方式得到测试集中W个通道的测试图像矩阵V(k)；/n(8)将第α个训练数据b_α(k)和第β个测试数据v_β(k)在基矩阵Z(k)上投影，得到b_α(k)和v_β(k)的投影系数向量和其中，α＝1,2,...,n，β＝1,2,...,g；/n(9)构造W个最邻近分类器作为局部分类器；/n(10)根据各个通道局部分类器的识别率构造全局分类器，并用其找出训练数据集中与第β个测试图像距离最小的图像，将该图像的类别作为第β个测试图像的类别，即完成对第β个测试人脸图像的识别。/n