[发明专利]一种针对小样本训练数据的人脸分类方法

权利要求书

1.一种针对小样本训练数据的人脸分类方法，其特征在于：包括如下步骤：

步骤S1：建立训练数据集，具体为：采集M个人的正脸灰度图像作为训练数据，生成训练数据集；其中，M个人分别对应类别标签0,1，……，M-1，图像的总数为N，且N＝M；

步骤S2：数据预处理，具体为：将每张图像样本重排为一个列向量，然后对所有的图像进行归一化处理；

步骤S3：分别建立样本矩阵和类别正交矩阵，并建立模型，具体包括如下子步骤：

步骤S3-1：将步骤S2得到的所有样本的列向量组合成为样本矩阵X，组合过程中样本要按照类别标签由小到大的顺序依次进行排列；

步骤S3-2：根据每个样本所属的类别，设计M个类别正交向量，组合成为一个矩阵，记为R，称R为类别正交矩阵；

其中，类别正交向量记为{r_j,j＝1,...,M}，满足如下约束：

1)归一性约束：r^(i)T·r⁽ⁱ⁾＝1；

2)正交性约束:r^(i)T·r^(j)＝0，i≠j；

3)类内归一性：(I⁽ⁱ⁾r⁽ⁱ⁾)^T·(I⁽ⁱ⁾r⁽ⁱ⁾)＝1；

4)类间正交性：(I⁽ⁱ⁾r⁽ⁱ⁾)^T·(I⁽ⁱ⁾r^(j))＝0,i≠j；

其中，类别正交向量r_j的长度为N，表示类别正交矩阵R中的第j列，类别正交矩阵R中的每个元素对应着一个样本向量；表示r_j中对应第i类人脸数据的元素所组成的列向量；I是一个大小为N*N的单位矩阵，意味着其每一行对应着一个样本向量；I⁽ⁱ⁾表示I中对应第i类人脸数据的行向量所组成的矩阵；

步骤S3-3：根据步骤S3-1中的样本矩阵和步骤S3-2中的类别正交矩阵，建立如下形式的线性模型，并基于该线性模型求解特征向量；

R＝X^TQ

其中，分别对应每一类人脸，称Q矩阵为特征矩阵，Q矩阵的列向量为特征向量；

步骤S4：训练并求解模型，具体为：通过计算Q＝X[pinv(X^TX)]R，求解特征矩阵Q；

其中，pinv(X^TX)表示求解X^TX的广义逆矩阵；

步骤S5：通过测试模型对人脸进行分类，具体包括如下子步骤：

步骤S5-1：将测试样本输入模型，记为z；

步骤S5-2：根据步骤S4得到的特征矩阵Q计算v＝Q^Tz；

步骤S5-3：对v中的每个元素进行平方，结果最大的元素在v中的下标序号即为对测试样本z的分类结果。

2.根据权利要求1所述的一种针对小样本训练数据的人脸分类方法，其特征在于：步骤S1中，训练数据集中包括M个人的图像及类别标签，且每个人的图像至少有1张。

3.根据权利要求1所述的一种针对小样本训练数据的人脸分类方法，其特征在于：步骤S2中，该列向量记为{x_i,i＝1,...,N}x_i表示第i个样本，N表示总样本数，数值与步骤S1中图像的总数相同。

4.根据权利要求3所述的一种针对小样本训练数据的人脸分类方法，其特征在于：步骤S3-3中，Q矩阵有M列。

5.根据权利要求4所述的一种针对小样本训练数据的人脸分类方法，其特征在于：步骤S5-2中v为列向量。

6.根据权利要求5所述的一种针对小样本训练数据的人脸分类方法，其特征在于：步骤S5-2中，v为向量z在Q上的投影。