[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

摘要

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L2,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L2,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L2,p(0＜p＜2)范数稳健判别特征。

主权项

1.一种基于最优协同表示的稳健判别特征提取方法，其特征在于：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；S30,将训练样本X投影到低维空间Q_t得到其中T表示对矩阵或向量的进行转置运算；S40，计算d维投影空间中每个训练样本y_i的协同表示系数s_i(i＝1,2,...,n)，并构造协同表示系数矩阵S50，根据投影矩阵Q_t和S40中所得协同表示系数矩阵S，结合L_2,p(0＜p＜2)范数，计算d维空间中协同保持离散度矩阵和全局离散度矩阵S60.构建最优化目标函数tr(·)表示迹运算操作符；计算广义特征方程的d个最小广义特征值所对应的特征向量，形成投影矩阵S70.计算当前目标函数值J(Q_t+1)，当t≥1时判断是否满足收敛条件或超过预设的最大迭代次数：若满足收敛条件或超过预设最大迭代次数，退出循环，输出最终投影矩阵Q_t+1＝[q₁,q₂,...,q_d]；否则，令t＝t+1，重复步骤S30‑S60；S80.利用最终的投影矩阵Q_t+1对测试样本进行投影，得到测试样本集的低维投影并利用最近邻分类器进行分类。