[发明专利]基于判别稀疏保持投影的非约束人脸图像降维方法

说明书

本发明提供一种基于判别稀疏保持投影的非约束人脸图像降维方法，通过1)，在计算样本重构关系矩阵W时，利用类别标签和类内紧凑度约束，增大同类非近邻样本权重系数；2)计算低维映射矩阵P时，增加全局约束因子，进一步降低异类伪近邻样本对投影矩阵的影响，能够更准确挖掘出隐藏在复杂冗余数据中的低维流形本质结构；3)实现高维样本数据的低维线性映射；对于真实环境中获取的非约束人脸图像，本发明DSPP可以更准确消除高维数据中的冗余信息，抽取本质特征，增强表征能力；同时，也减少了数据维度，节约存储空间，大大提高了人脸识别的可靠性和有效性。

技术领域

本发明涉及一种基于判别稀疏保持投影的非约束人脸图像降维方法，是以非约束环境下人脸识别为应用背景，进行高维人脸数据的低维映射研究，主要包括样本稀疏表示的类内约束优化和低维投影目标函数的全局约束改进。

背景技术

随着互联网、传感技术的飞速发展，计算机处理的人脸图像数据越来越呈现海量、复杂的特点。因此，对海量复杂人脸数据进行有效降维，挖掘出掩藏在高维表象下有用的本质信息显得尤为重要。一方面可减少数据维度，节约存储空间，提高系统的运行效率；另一方面，又可获取数据本质特征，增强系统的表征能力。

鉴于非约束环境下获取的人脸图像受光照、姿态、表情、遮挡、年龄、分辨率等多种因素混合干扰，导致高维人脸数据结构复杂、冗余度高且呈现非线性分布。因此，传统的线性降维方法(如PCA、LDA等)不能有效处理这种在高维空间中扭曲的真实数据，有时甚至会削弱和破坏高维数据中隐含的局部几何结构。为了有效挖掘高维数据中隐含的低维本质结构，以核学习和流形学习为代表的非线性降维方法得到广泛应用。

核学习虽然在一定程度上起到了非线性降维的作用，但其本质仍是在高维的隐特征空间利用线性方法降维，并且核矩阵设计、以及通过核矩阵将数据映射到更高维的隐特征空间的内在机制和直观意义都尚不明确，这极大的限制了核学习的发展。而流形学习的本质是从局部可坐标化的拓扑空间中挖掘高维数据内在的流形结构，是对传统欧式空间研究的推广，符合人眼视觉感知机制，因此，流形学习能够更准确、更有效的从真实复杂数据中寻找事物的本质特征，是一种能够恢复数据内在扭曲结构的非线性降维方法。

目前，传统的流形学习算法(如LE、LLE、Isomap等)均采用隐式函数把数据从高维空间映射到低维空间，缺乏对新样本的归纳能力。而局部保留投影(Locality preservingprojections,LPP)和近邻保持嵌入(Neighborhood preserving embedding,NPE)则分别是对传统的拉普拉斯特征映射(Laplacian Eigenmap,LE)和局部线性嵌入(Locally LinearEmbedding,LLE)的线性化改进，在不改变原有目标函数基础上增加线性约束，得到映射函数解析式，未知新样本的低维坐标可直接由显式函数计算得到，在模式识别领域得到广泛应用。

LPP和NPE的基本原理是以邻域样本之间的距离测度作为权值条件，约束达到在低维空间中仍保持该局部属性的降维方法。但在实际应用中，样本之间距离测度的可区分性会随着维数的增加而减弱，因此，利用距离测度描述样本局部属性并不能准确挖掘出高维数据中隐含的低维流形本质结构。为了解决这一问题，乔立山提出稀疏保持投影(SparsityPreserving Projections,SPP)算法，通过构造每一个训练样本在字典下的稀疏表示，得到稀疏重构权值矩阵，是一种以保持数据间稀疏关系为目的的降维方法。

虽然稀疏表示技术具有非常好的鲁棒性，这使得SPP在人脸识别中取得较好效果，但SPP是一种非监督的学习算法，没有引入标签信息，尽管乔立山指出稀疏重构系数中已隐含鉴别信息，但这个结论是基于训练样本充分多，且同类样本充分近似的假设条件下得到的。事实上，在真实环境下采集的人脸图像复杂多变，由于表情、遮挡、光照、年龄等因素影响，同类样本间会表现出很大差异，导致待测样本不能完全被同类样本近似稀疏表示，同时还会出现个别异类样本错误逼近的情况，使得投影矩阵不准确，识别性能下降。

总的来说，现有经典流形学习算法的不足之处在于：