[发明专利]一种基于近邻保持低秩表示的人脸识别方法、装置及设备

权利要求书

1.一种基于近邻保持低秩表示的人脸识别方法，其特征在于，包括：

将相似性自适应保持和低秩表示集成为统一学习框架，以获取表示系数矩阵和用于提取特征、基于核范式和L_2，1-范式约束下的稀疏投影矩阵；

利用所述稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征，生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集；

利用所述人脸特征训练样本集将所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化，联合最小化和将所述表示系数矩阵在原始数据空间和显著特征空间进行共享优化；

利用所述人脸特征训练样本集进行最近邻分类器模型构造；

将所述人脸特征测试样本集输入所述最近邻分类器中，根据所述人脸特征训练样本集和所述人脸特征测试样本集之间的相似性，获得所述人脸特征测试样本集的识别信息，以得到所述人脸特征测试样本集的人脸识别结果。

2.根据权利要求1所述的基于近邻保持低秩表示的人脸识别方法，其特征在于，所述利用所述人脸特征训练样本集将所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化包括：

将所述训练样本集分解为基于Frobenius-范式正则化的主成分特征、相似性自适应保持的显著特征及稀疏误差项，对所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化，得到初步目标函数：

式中，所述训练样本集为l为所述训练样本集的样本数目，Z为重构系数矩阵，PX为所述训练样本集的显著特征，XZ为所述训练样本集的主成分特征，P为所述稀疏投影矩阵，为重构误差最小化项，β、λ为权衡参数。

3.根据权利要求2所述的基于近邻保持低秩表示的人脸识别方法，其特征在于，所述初步目标函数为：

s.t.X＝XZ+PX+E

式中，所述训练样本集为l为所述训练样本集的样本数目，Z为重构系数矩阵，PX为所述训练样本集的显著特征，XZ为所述训练样本集的主成分特征，P为所述稀疏投影矩阵，为重构误差最小化项，E为稀疏误差矩阵，α、β、λ为权衡参数。

4.一种基于近邻保持低秩表示的人脸识别装置，其特征在于，包括：

获取参数模块，用于将相似性自适应保持和低秩表示集成为统一学习框架，以获取表示系数矩阵和用于提取特征、基于核范式和L_2，1-范式约束下的稀疏投影矩阵；

特征嵌入模块，用于利用所述稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征，生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集；

优化模块，用于利用所述人脸特征训练样本集将所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化，联合最小化和将所述表示系数矩阵在原始数据空间和显著特征空间进行共享优化；

模型构造模块，用于利用所述人脸特征训练样本集进行最近邻分类器模型构造；

人脸识别模块，用于将所述人脸特征测试样本集输入所述最近邻分类器中，根据所述人脸特征训练样本集和所述人脸特征测试样本集之间的相似性，获得所述人脸特征测试样本集的识别信息，以得到所述人脸特征测试样本集的人脸识别结果。

5.根据权利要求4所述的基于近邻保持低秩表示的人脸识别装置，其特征在于，所述优化模块为将所述训练样本集分解为基于Frobenius-范式正则化的主成分特征、相似性自适应保持的显著特征及稀疏误差项，对所述表示系数矩阵和所述训练样本集的显著特征的重构误差最小化项进行集成优化，得到初步目标函数的模块：

式中，所述训练样本集为l为所述训练样本集的样本数目，Z为重构系数矩阵，PX为所述训练样本集的显著特征，XZ为所述训练样本集的主成分特征，P为所述稀疏投影矩阵，为重构误差最小化项，β、λ为权衡参数。