[发明专利]一种基于非负表示系数的两阶段识别方法

说明书

本发明提出一种基于非负表示系数的两阶段识别方法。包括：用所有训练样本线性表示测试样本且约束表示系数非负，计算系数向量；将系数向量中元素降序排列，抽取出较大的系数及其对应的训练样本；将上一步所得的训练样本分类，计算每类样本的重构图像；用所有重构图像线性表示测试样本且约束表示系数非负，计算系数向量，根据残差对测试样本分类。本发明根据一定的筛选条件择优选取训练样本并用其线性表示测试样本，从而提高识别率。

技术领域

本发明属于机器学习技术领域，具体涉及一种基于非负表示系数的两阶段识别方法。

背景技术

特征抽取在模式识别领域非常重要。主成分分析(Principle ComponentAnalysis,PCA)和线性鉴别分析(Linear Discriminant Analysis,LDA)作为经典的线性特征抽取方法，被广泛使用。PCA和LDA方法最终都需依赖于分类器将测试样本分类，其中应用较为广泛的分类器如最近邻(Nearest Neighbor,NN)，该分类器目的是将测试样本分类到与之距离最近的训练样本所属类别。

最新提出的稀疏表示作为人脸识别领域中的一个新方法，其基本思想是给定足够的训练样本，任何测试样本都可由训练样本的线性组合来表示，且大多数项的系数为零或接近零，只有同类样本的系数较大。John Wright等人提出的稀疏表示分类(Sparserepresentation classification,SRC)方法已被广泛使用，但由于该方法需计算l₁范数，因此计算过程复杂、耗时长。基于此，Lei Zhang等学者提出协同表达分类(Collaborativerepresentation based classification,CRC)方法，该方法克服了SRC方法存在的计算速度慢的缺点，但是，从非负矩阵分解的角度来看，在CRC中的负值不具有任何物理意义，这些正是CRC等算法的缺点和不足，而本发明方法希望解决该缺点。

发明内容

本发明的目的在于提供一种基于非负表示系数的两阶段识别方法，其根据一定的筛选条件择优选取训练样本并用其线性表示测试样本，从而提高识别率。

为了解决上述技术问题，本发明提供一种基于非负表示系数的两阶段识别方法，

第一阶段，用所有训练样本x_ij表示测试样本y且约束系数非负，并根据非负系数模型计算获得表示系数向量w；

第二阶段，取出表示系数向量w中前n个最大元素及其所对应的原始训练样本x₁,x₂,…,x_n，并用前n个最大元素对应的训练样本x₁,x₂,…,x_n组成字典矩阵D_new，对字典矩阵D_new中的全部样本进行分类，将所有属于第i类的训练样本组成字典矩阵D_i，同时，从表示系数向量w中抽取出字典矩阵D_i中各训练样本所对应的表示系数并组成表示系数向量α_i；使用公式z_j＝D_jα_j计算获得每类样本对应的重构样本z_j；用重构样本z_j表示测试样本y且约束系数非负，并根据非负系数模型计算获得表示系数向量b；根据测试样本y的残差对测试样本y进行分类。

本发明与现有技术相比，其显著优点在于：

(1)本发明在原CRC方法的基础上增加非负约束，构造非负表示系数模型，非负表示向量保证算法中系数具有物理意义，可以更好地反映数据点之间的依赖关系；

(2)本发明根据一定条件筛选出较为优秀的训练样本，使得分类结果更加精准；

(3)本发明.最终可以产生分类器，切合实际，计算机运行速度快，运用两阶段识别较为精确。

附图说明