[发明专利]一种基于互信息无参数局部保持投影算法的人脸识别方法

摘要

本发明公开了本发明提供了一种基于互信息无参数局部保持投影算法的人脸识别方法，该方法采用MI来计算样本之间的相似度，并以此值直接作为样本间的相似系数，同时给出了一种以样本的平均相似度作为分界点，将样本分成了近邻与非近邻样本，基于此确定了样本的局部近邻相似散度矩阵和非近邻散度矩阵。该方法不但考虑近邻样本的作用，同时考虑非近邻样本的作用，因此该方法的目标函数能够使得原始为近邻的样本投影后仍保持近邻关系，而非近邻的样本投影后将尽量远离；对于目标函数的求解，可先采用PCA算法将样本降维至到总体散度矩阵的非零空间，然后将目标函数转换为差形式，从而有效地解决了小样本问题，该方法无需设置任何参数，增强了方法的实用性。

主权项

一种基于互信息无参数局部保持投影算法的人脸识别方法，其特征在于，包括以下步骤：步骤S1：选择标准人脸库的图像作为总样本集，并划分训练样本集X；步骤S2：计算训练样本集中所有图像之间的互信息值，获得训练样本集中所有图像的互信息值的矩阵M，对矩阵M进行归一化处理，获得GM；步骤S3：计算训练样本集图像的平均相似度d，并以d为分界点确定每个样本的近邻关系；步骤S4：根据GM和d计算训练样本集的近邻相似权值矩阵S和非近邻权值矩阵B，再根据S和B计算近邻散度矩阵S_L和非近邻散度矩阵S_B；步骤S5：计算训练样本集的总体散布矩阵S_t，及其非零特征值所对应的特征向量P；步骤S6：根据S_L和S_B，分别计算投影到P空间上的近邻散度矩阵和非近邻散度矩阵并对矩阵进行特征值分解；步骤S7：将获得的特征值按降序排列，选择前k个最大特征值所对应的特征向量v₁,v₂,…,v_k，令V＝[v₁v₂…v_k]，获得最优投影方向矩阵W＝PV，所述k为最终降维样本图像的维度；步骤S8：对未知样本x_i按照最优投影方向矩阵W＝PV进行投影，获得x_i的低维的投影特征系数向量y_i，即y_i＝W^Tx_i，最后采用常规的最近邻分类方法进行分类。