[发明专利]一种基于稀疏特征选择的多视角人脸识别系统

权利要求书

1.一种基于稀疏特征选择的多视角人脸识别系统，其特征在于：具体步骤是：

1)预处理：将采集的人脸图像通过提取多种不同类型的特征生成数据矩阵其中d_v是第v个视角的维度，N是样本总数，V是视角总数；

2)训练第一步：引入投影矩阵以将数据矩阵投影至低维子空间中，同时采用F范数对投影矩阵进行组结构稀疏约束以便对数据矩阵进行视角选择，其中D是低维子空间维度，是第v个视角对应的投影子矩阵；

3)训练第二步：采用l21范数对投影矩阵进行行稀疏约束以便对数据矩阵进行特征选择；

4)训练第三步：引入恢复矩阵将低维子空间恢复至原始空间，通过最小误差的方式构造目标函数；

5)训练第四步：采用坐标下降法的方式分别对投影矩阵和恢复矩阵进行优化求解；

6)测试：通过学习到的投影矩阵对测试样本进行投影得到测试人脸的低维特征表示，并应用到不同的下游任务中。

2.根据权利要求1所述的一种基于稀疏特征选择的多视角人脸识别系统，其特征在于：所述的训练第一步通过投影矩阵将多视角数据矩阵投影至低维子空间，同时采用F范数对投影矩阵进行组结构稀疏约束，采用的F范数为：

其中是矩阵P_v的第i行，是P_v的第i行第j列元素。

3.根据权利要求1所述的一种基于稀疏特征选择的多视角人脸识别系统，其特征在于：所述训练第二步采用l21范数对投影矩阵进行行稀疏约束，所采用的l21范数为：

4.根据权利要求1所述的一种基于稀疏特征选择的多视角人脸识别系统，其特征在于：训练第三步，引入恢复矩阵将低维子空间恢复至原始空间，通过最小误差的方式构造目标函数，仅对恢复矩阵R进行正交约束R^TR＝I_D，而不对投影矩阵进行正交约束，因而使得投影矩阵学习低维子空间时更具灵活性，从而提升低维子空间的辨识能力，优化目标函数具体定义为：

其中I_D为维度为D的对角矩阵，T为矩阵转置操作，λ₁、λ₂分别为两个非负正则参数，用以控制两个范数的惩罚强度。

5.根据权利要求1所述的一种基于稀疏特征选择的多视角人脸识别系统，其特征在于：所述训练第四步采用坐标下降法分别对投影矩阵和恢复矩阵进行优化求解，具体操作为首先固定恢复矩阵R优化投影矩阵P，再固定投影矩阵P优化恢复矩阵R，优化过程如下：

首先通过引入两个辅助矩阵A和B对(1)进行等价转化：

其中，

diag()为对应矩阵的对角元素，ε是一个无穷小的数。

进一步的针对问题(4)，固定投影矩阵P优化恢复矩阵R：对问题(4)针对P求偏导并使其为0，可得：

由(6)可以得到P在当前迭代的闭解：

P＝(X^TX+λ₁A+λ₂B)^-1X^TXR (7)

固定投影矩阵P优化恢复矩阵R:当P固定时，问题(4)可以变为：

则R的最优解为R＝U′V′^T，其中U′、V′^T由SVD分解得到，即X^TXP＝U′ΣV′^T。

6.根据权利要求1所述的一种基于稀疏特征选择的多视角人脸识别系统，其特征在于：一旦学习得到投影矩阵P，可以通过(9)得到测试样本的低维空间表示Z：

Z＝XP (9)

并进一步应用至无监督场景、有监督场景的不同下游任务。