[发明专利]一种基于融合核的线性核化特征空间成组性的建模方法

说明书

本发明提供一种基于融合核的线性核化特征空间成组性的建模方法，包括给定训练样本，并根据预定概率分布函数，从训练样本中采样多个样本信号来形成约化矩阵；确定欧几里德和余弦距离测度的融合核函数并与方法相结合后，对训练样本和约化矩阵进行核矩阵近似构造，并利用秩k特征分解核矩阵，得到虚拟样本；虚拟样本分解为虚拟训练样本和虚拟测试样本，并构建基于弹性网络正则化的预测模型，利用弹性网络正则化学习方法在虚拟训练和测试样本上进行预测模型训练和测试，得到最终的预测模型。实施本发明，能够克服现有技术存在的缺陷，使提取的特征更加能调和样本规模与特征维数的矛盾，避免小规模样本问题，从而提升性能。

技术领域

本发明涉及人脸识别技术领域和计算机技术领域，尤其涉及一种基于融合核的线性核化特征空间成组性的建模方法。

背景技术

人脸辨识是指在一个多摄像机组成的系统中，对不同摄像机视角下的人物图像进行匹配的问题。它对于人物身份、行为等不同方面的分析提供了关键性帮助，并发展成为智能视频监控领域的关键组成部分。

目前，人脸辨识主要的方法可以分为以下两类：1)基于特征表示的人脸辨识方法；2)基于度量学习的人脸辨识方法。

在基于特征表示的人脸辨识方法中，包括基于最常用的底层视觉特征的方法和基于语义属性特征的方法。例如，常用的底层视觉特征有颜色直方图、纹理等，具体描述为颜色直方图通过统计图像上颜色分布来描述整张图像或者其中一个小区域的颜色分布特征。虽然对于视角变化较为鲁棒，但容易受光照等亮度变换的影响，因此它通常在特定的彩色空间上提取。又如，与底层视觉特征相比，基于语义属性特征的方法具有天然的优势：语义属性对于不同监控视频下的行人外貌特征差异更为鲁棒，同一个行人在不同监控视频下，其语义属性的描述通常是不变的；语义属性和人类的理解更为接近，因此，基于语义属性的特征方法得到的结果更符合人的需求，更方便人的交互。

在特征表示方法之后，如何度量不同行人图像的距离也是人脸辨识领域的关键问题之一。基于特征的方法在计算特征向量相似性时，通常采用欧式距离、余弦距离和测地距离等经典的距离函数，这些经典的距离函数未考虑样本的特性因此性能往往不好。近年来大量文献采用距离测度的方法，通过对标注样本的训练，得到一个更符合样本特性的距离函数，从而提高性能，但这些方法通过学习一个马氏形式的距离函数来实现。然而，这种方法是建立在样本分布服从高斯分布的理论假设基础之上，但现实中的样本不仅不会完美地服从高斯分布，甚至有可能严重地偏离，从而导致性能下降。另外，在实际情况中，样本规模往往远小于特征维数，从而导致度量学习中马氏距离的计算变得困难甚至不可解。

因此，有必要提供一种应用于人脸辨识的新方法，克服上述现有技术存在的缺陷，使提取的特征更加能调和样本规模与特征维数的矛盾，避免SSS(小规模样本)问题，从而提升性能。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于融合核的线性核化特征空间成组性的建模方法，能够克服现有技术存在的缺陷，使提取的特征更加能调和样本规模与特征维数的矛盾，避免小规模样本问题，从而提升性能。

为了解决上述技术问题，本发明实施例提供了一种基于融合核的线性核化特征空间成组性的建模方法，包括以下步骤：

步骤S1、给定训练样本，并根据预定概率分布函数，从所述训练样本中采样多个样本信号来形成约化矩阵；

步骤S2、确定欧几里德和余弦距离测度的融合核函数，并将所述融合核函数与方法相结合，对所述训练样本和所述约化矩阵进行核矩阵近似构造，且进一步利用秩k特征分解所述核矩阵，得到虚拟样本；

步骤S3、对测试样本做类似的处理来得到虚拟测试样本，并基于虚拟训练样本可构建基于弹性网络正则化的预测模型，且进一步利用弹性网络正则化学习方法在所述虚拟训练样本上对所述预测模型进行训练，以及在所述虚拟测试样本上对所述预测模型进行测试，得到最终的预测模型。