本發(fā)明涉及計(jì)算機(jī)視覺(jué)、模式識(shí)別、生物特征識(shí)別等技術(shù)領(lǐng)域，特別涉及一種基于拓?fù)浔３值慕馕鲂妥值鋵W(xué)習(xí)模型的人臉識(shí)別方法(topologypreservinganalysisdictionarylearning，簡(jiǎn)稱tp-adl)。

背景技術(shù)：

生物特征識(shí)別技術(shù)是使用人體的某些生物特性來(lái)對(duì)個(gè)體的身份進(jìn)行識(shí)別的先進(jìn)技術(shù)。因?yàn)槊總€(gè)人的生物特征都是不同的，而且不會(huì)輕易改變，滿足個(gè)體識(shí)別的條件。這種技術(shù)通常采用的方法是先對(duì)個(gè)體采取某個(gè)或某些生物特征，然后將其與已有數(shù)據(jù)庫(kù)中的樣本進(jìn)行比較，判斷是否符合。與傳統(tǒng)的以證件、密碼等為對(duì)象的識(shí)別技術(shù)相比，以人臉識(shí)別為代表的生物特征識(shí)別技術(shù)可以做到不與識(shí)別人發(fā)生任何肢體接觸，可以不驚動(dòng)對(duì)象，只需要采用一般的攝像頭就可以采集，成本很低，因此人臉識(shí)別技術(shù)成為眾多學(xué)者們重點(diǎn)研究的對(duì)象之一。

人臉識(shí)別的研究始于20世紀(jì)60年代，并且隨著計(jì)算機(jī)硬件和網(wǎng)絡(luò)的發(fā)展，在幾十年中取得了長(zhǎng)足的進(jìn)步。人臉識(shí)別技術(shù)正在視頻監(jiān)控、證件驗(yàn)證、刑偵破案等社會(huì)生活的諸多方面發(fā)揮著巨大作用。常規(guī)的人臉識(shí)別技術(shù)主要包含2個(gè)主要過(guò)程，即訓(xùn)練過(guò)程和測(cè)試過(guò)程。訓(xùn)練過(guò)程有3個(gè)處理環(huán)節(jié)，分別是訓(xùn)練圖像預(yù)處理、訓(xùn)練圖像特征的提取、分類(lèi)模型的建立。測(cè)試過(guò)程有3個(gè)處理環(huán)節(jié)，分別是測(cè)試圖像預(yù)處理、測(cè)試圖像特征的提取、使用訓(xùn)練階段得到的分類(lèi)模型對(duì)測(cè)試圖像進(jìn)行分類(lèi)預(yù)測(cè)。如果要改進(jìn)人臉識(shí)別技術(shù)，提升識(shí)別準(zhǔn)確度，可以對(duì)人臉圖像預(yù)處理的方法進(jìn)行改進(jìn)，也可以對(duì)提取人臉圖像特征的方法進(jìn)行創(chuàng)新，還可以選擇適合人臉圖像特征的分類(lèi)模型和分類(lèi)算法。如何增加各環(huán)節(jié)處理方法的適用性，即不斷改進(jìn)這些處理算法以改善分類(lèi)方法的整體性能，這仍是目前人臉識(shí)別研究領(lǐng)域的重點(diǎn)。

稀疏表示理論與人臉識(shí)別的結(jié)合是近些年被提出的。稀疏表示理論是將待預(yù)測(cè)的圖像用訓(xùn)練集中的圖像進(jìn)行線性組合表示，然后對(duì)線性組合的系數(shù)進(jìn)行分類(lèi)判決，達(dá)到預(yù)測(cè)其類(lèi)別的目的。與主成分分析(pca)等傳統(tǒng)方法不同，稀疏表示是基于i0或i1范數(shù)的求解過(guò)程，重點(diǎn)是找到線性組合的系數(shù)即待測(cè)人臉圖像的稀疏編碼。這種思路與之前的人臉識(shí)別方法有很大的不同，而且稀疏表示理論的優(yōu)點(diǎn)在于對(duì)于面部有掩蓋的情況下，可以有更好的分辨效果，因此這種理論在人臉識(shí)別中的應(yīng)用受到越來(lái)越多的學(xué)者的關(guān)注。

稀疏表示理論的中心思想是：首先構(gòu)造一個(gè)過(guò)完備字典，其中包含足夠的具有代表性的樣本，然后對(duì)于任意一個(gè)樣本(一般是一個(gè)向量)，用這個(gè)字典中少數(shù)幾個(gè)樣本來(lái)線性加和表示，這樣就可以得到一個(gè)非零元素很少的編碼向量，達(dá)到稀疏表示的目的。稀疏編碼的性能在很大程度上依賴于字典的學(xué)習(xí)，在稀疏表示應(yīng)用到人臉識(shí)別的初期，大多是用預(yù)設(shè)的固定字典，如：訓(xùn)練集特征組成的字典、curvelet基組成的字典、gabor基組成的字典等，這樣的字典在不同數(shù)據(jù)集上的重構(gòu)效果不一，對(duì)不同數(shù)據(jù)集的識(shí)別準(zhǔn)確率也波動(dòng)很大。因此，一個(gè)根據(jù)訓(xùn)練數(shù)據(jù)集自適應(yīng)學(xué)習(xí)得到的字典往往比預(yù)設(shè)的固定字典更加符合人臉識(shí)別的需求。

如今已有很多優(yōu)秀算法來(lái)快速學(xué)習(xí)一個(gè)過(guò)完備字典，但是最初提出的傳統(tǒng)字典學(xué)習(xí)模型并不是應(yīng)用于分類(lèi)識(shí)別的，而是應(yīng)用于信號(hào)重構(gòu)的相關(guān)問(wèn)題。為了利用字典學(xué)習(xí)解決人臉識(shí)別問(wèn)題，研究者們提出了兩類(lèi)方法，這些方法將傳統(tǒng)的字典學(xué)習(xí)修正為滿足人臉識(shí)別需求的監(jiān)督字典學(xué)習(xí)：一類(lèi)是直接學(xué)習(xí)具有判決力的字典，另一類(lèi)是使稀疏編碼具有區(qū)分性，繼而使得到的字典具有判決力。前者主要是利用重構(gòu)誤差來(lái)進(jìn)行最終的人臉識(shí)別，后者主要是利用稀疏表示系數(shù)作為新的特征用于分類(lèi)識(shí)別。

然而，學(xué)者們?yōu)榻鉀Q分類(lèi)識(shí)別問(wèn)題而提出的多種監(jiān)督字典學(xué)習(xí)模型都是學(xué)習(xí)一個(gè)綜合型字典，在學(xué)習(xí)階段需要求解基于線性加和表示的合成編碼過(guò)程。這種編碼過(guò)程在求解時(shí)使用迭代的方式進(jìn)行，非常耗時(shí)，嚴(yán)重影響了人臉識(shí)別的實(shí)際使用。此外，這些監(jiān)督字典方法過(guò)于強(qiáng)調(diào)編碼的稀疏性在分類(lèi)識(shí)別任務(wù)中的作用，忽視了在原始特征數(shù)據(jù)中蘊(yùn)含的結(jié)構(gòu)信息，而這些結(jié)構(gòu)信息往往對(duì)于分類(lèi)模型的識(shí)別準(zhǔn)確率有很大的影響。

作為字典學(xué)習(xí)的另外一個(gè)主流方向，解析型字典學(xué)習(xí)模型引起了國(guó)內(nèi)外學(xué)者的高度關(guān)注。解析型字典是綜合型字典的對(duì)偶形式，它的目標(biāo)不是學(xué)習(xí)一組用于線性加和表示的基，而是學(xué)習(xí)一個(gè)映射矩陣，使得信號(hào)映射以后的表示是稀疏的。解析型字典學(xué)習(xí)模型具有良好的信號(hào)表示能力，但目前國(guó)內(nèi)外的研究?jī)H僅停留在解析型字典對(duì)信號(hào)進(jìn)行重構(gòu)的應(yīng)用上。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提出一種基于拓?fù)浔３值慕馕鲂妥值鋵W(xué)習(xí)模型的人臉識(shí)別方法，以解決傳統(tǒng)的基于稀疏表示和字典學(xué)習(xí)的人臉識(shí)別方法對(duì)圖像結(jié)構(gòu)信息和判決信息利用不夠充分、學(xué)習(xí)過(guò)程的時(shí)間復(fù)雜度較高等問(wèn)題。

為了實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明提供了一種基于拓?fù)浔３值慕馕鲂妥值鋵W(xué)習(xí)模型的人臉識(shí)別方法，

步驟s1，為了方便操作，首先對(duì)訓(xùn)練集和測(cè)試集樣本進(jìn)行預(yù)處理，中心裁剪得到w×h的像素部分，然后用隨機(jī)矩陣對(duì)訓(xùn)練集和測(cè)試集樣本進(jìn)行映射，每張圖像都得到一個(gè)對(duì)應(yīng)的隨機(jī)臉特征列向量；

步驟s2，優(yōu)化學(xué)習(xí)得到解析型字典ω：按照提出的拓?fù)浔３值慕馕鲂妥值鋵W(xué)習(xí)模型對(duì)訓(xùn)練集數(shù)據(jù)建模，通過(guò)兩步交替迭代的優(yōu)化方式最小化目標(biāo)函數(shù)，學(xué)習(xí)解析型字典ω和編碼系數(shù)x；

步驟s3，獲得訓(xùn)練集和測(cè)試樣本的編碼系數(shù)：用訓(xùn)練好的解析型字典ω根據(jù)x＝ωy對(duì)訓(xùn)練集和測(cè)試樣本同時(shí)進(jìn)行編碼；

步驟s4，將測(cè)試樣本的編碼系數(shù)、訓(xùn)練集的編碼系數(shù)及其對(duì)應(yīng)的類(lèi)別標(biāo)簽信息一起輸入分類(lèi)器，得到最終分類(lèi)結(jié)果。

其中，在步驟s1中，對(duì)訓(xùn)練集和測(cè)試集樣本進(jìn)行相同的中心裁剪，將獲得的圖像拉伸成列向量，然后用隨機(jī)矩陣對(duì)訓(xùn)練集和測(cè)試集樣本的列向量進(jìn)行映射，其中：隨機(jī)矩陣每個(gè)元素都是先獨(dú)立取樣于零均值的正態(tài)分布，再將其每行都標(biāo)準(zhǔn)化到單位長(zhǎng)度。

其中，在步驟s2中，求解模型為：

上述目標(biāo)函數(shù)中：α，β為人工設(shè)置的權(quán)重參數(shù)，用于調(diào)節(jié)各項(xiàng)之間的相對(duì)大小關(guān)系；

其中，第一部分是基本的解析型字典學(xué)習(xí)模型：

其中，代表稀疏重構(gòu)誤差，ωi是解析型字典ω的第i行。

其中，第二部分tr(ωyly^tω^t)是拓?fù)浔３猪?xiàng)，拓?fù)浔３中枰３值氖怯绊慿近鄰(knn)分類(lèi)性能的原始特征的相對(duì)遠(yuǎn)近程度(近鄰排序)，原始空間任意兩個(gè)特征向量yu和yv的距離設(shè)為suv，編碼空間對(duì)應(yīng)的距離設(shè)為tuv，拓?fù)浔３帜繕?biāo)函數(shù)為：

其中：矩陣si為反對(duì)稱矩陣，其位置(u，v)的元素值是原始空間兩個(gè)距離的差siu-siv，利用反對(duì)稱矩陣的性質(zhì)，對(duì)公式(3)進(jìn)行化簡(jiǎn)，可得：

可令wij∑usi(u，j)，則公式(4)可繼續(xù)化簡(jiǎn)為：

此處的矩陣w即可看作一個(gè)權(quán)重矩陣(w不對(duì)稱，但是可以分解成對(duì)稱矩陣w+與反對(duì)稱矩陣w-的加和)，可以求取l＝s+-w+，其中s+矩陣定義為對(duì)角陣，第i個(gè)對(duì)角元素值s+，ii等于w+矩陣的第i行所有元素的和，由此，可以推導(dǎo)得到拓?fù)浔３猪?xiàng)的拉普拉斯矩陣形式的約束：

為了同時(shí)保持近鄰特性，我們采取以下方式為每個(gè)yi計(jì)算wij：

其中n(yi)是yi的k近鄰集合，考慮到解析型字典在編碼過(guò)程中的重要性，也為了更直接的學(xué)習(xí)字典ω，我們將公式(6)中的x替換為ωy，繼而得到拓?fù)浔３猪?xiàng)的最終形式；

第三部分是判決強(qiáng)化項(xiàng)，設(shè)置r等于樣本的類(lèi)別總數(shù)，矩陣的每一列為僅有1個(gè)非零元素的列向量，其非零元素的位置就對(duì)應(yīng)于訓(xùn)練樣本的類(lèi)別信息。

其中，在步驟s2中，目標(biāo)函數(shù)(1)是非凸問(wèn)題，考慮求解它的凸松弛形式(8)：

目標(biāo)方程(8)是一個(gè)雙凸問(wèn)題，它的求解需要通過(guò)一個(gè)兩步的交替迭代優(yōu)化策略來(lái)完成，具體的過(guò)程總結(jié)如下：

s21，對(duì)于訓(xùn)練集中的人臉特征，通過(guò)公式(7)計(jì)算得到矩陣w并求出拉普拉斯矩陣l。對(duì)x進(jìn)行初始化，令其初始值為h，接下來(lái)，進(jìn)入交替迭代過(guò)程，循環(huán)s22和s23直到收斂或達(dá)到迭代次數(shù)要求；

s22，固定編碼系數(shù)x，更新解析型字典ω；這時(shí)，目標(biāo)函數(shù)(8)就可以寫(xiě)成如下形式：

這個(gè)目標(biāo)函數(shù)是有閉式解的，可令其一階導(dǎo)數(shù)為0，推得：

ω^*＝xy^t[y(i+αl)y^t+γi]^-1(10)

為方便表示，將不同大小的單位陣均用i來(lái)表示；

s23，固定解析型字典ω，更新編碼系數(shù)x。這時(shí)，目標(biāo)函數(shù)(8)就化為：

這個(gè)目標(biāo)函數(shù)也是有閉式解的，可令其一階導(dǎo)數(shù)為0，推得：

設(shè)定β為一個(gè)很大的數(shù)，使得x能夠盡可能逼近稀疏的標(biāo)簽矩陣h；

經(jīng)過(guò)上述優(yōu)化過(guò)程之后，可以得到最終的訓(xùn)練結(jié)果，包括解析型字典和訓(xùn)練集的編碼系數(shù)

其中，在步驟s3中，模型訓(xùn)練后，依照x＝ωy用訓(xùn)練好的解析型字典ω對(duì)訓(xùn)練集和測(cè)試樣本同時(shí)進(jìn)行編碼，完成以上編碼過(guò)程，可以獲得訓(xùn)練集和測(cè)試樣本在字典上的編碼系數(shù)。

其中，在步驟s4中，將測(cè)試樣本的編碼系數(shù)、訓(xùn)練集的編碼系數(shù)及其對(duì)應(yīng)的類(lèi)別標(biāo)簽信息一起輸入k近鄰(knn)分類(lèi)器，得到最終分類(lèi)結(jié)果。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為，對(duì)于實(shí)際應(yīng)用環(huán)境下的人臉識(shí)別問(wèn)題，有3個(gè)環(huán)節(jié)至關(guān)重要，按先后順序依次為預(yù)處理、特征提取、分類(lèi)模型訓(xùn)練與預(yù)測(cè)。本發(fā)明針對(duì)后兩個(gè)環(huán)節(jié)，尤其是第3個(gè)環(huán)節(jié)的分類(lèi)模型，進(jìn)行了有益創(chuàng)新。本發(fā)明提出一種基于拓?fù)浔３值慕馕鲂妥值鋵W(xué)習(xí)模型的人臉識(shí)別方法，將人臉特征的結(jié)構(gòu)信息與判決信息放在一個(gè)統(tǒng)一的解析型字典學(xué)習(xí)框架下學(xué)習(xí)，使得最終的人臉識(shí)別準(zhǔn)確率與運(yùn)行速度均得到明顯提高。

附圖說(shuō)明

圖1是本發(fā)明的方法流程圖；

圖2是ar數(shù)據(jù)庫(kù)中的人臉圖像舉例；；

圖3圖3是本發(fā)明在ar數(shù)據(jù)庫(kù)上在識(shí)別準(zhǔn)確率、訓(xùn)練時(shí)間、平均每張圖像測(cè)試時(shí)間等3個(gè)指標(biāo)上與其他方法的對(duì)比圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及有益效果更加清楚明白，以下結(jié)合實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解為此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限制本發(fā)明的保護(hù)范圍。

本發(fā)明提出對(duì)現(xiàn)有的解析型字典學(xué)習(xí)模型進(jìn)行改進(jìn)，既借鑒綜合型字典學(xué)習(xí)在分類(lèi)識(shí)別應(yīng)用中的多種判決模型，又引入前人都忽視的原始特征數(shù)據(jù)中蘊(yùn)含的結(jié)構(gòu)信息。這種將人臉特征的結(jié)構(gòu)信息與判決信息放在一個(gè)統(tǒng)一的解析型字典學(xué)習(xí)框架下學(xué)習(xí)的方案，使得人臉特征的編碼系數(shù)可以更有利于最后的識(shí)別過(guò)程，從而獲得最佳的識(shí)別效果。

本發(fā)明通過(guò)拓?fù)浔３值慕馕鲂妥值鋵W(xué)習(xí)模型將人臉特征的結(jié)構(gòu)信息與判決信息放在一個(gè)統(tǒng)一的框架下學(xué)習(xí)，使得學(xué)習(xí)到的解析型字典最能夠代表人臉的本征特征，對(duì)應(yīng)的編碼也具有更強(qiáng)的判別性。

如圖1所示，本發(fā)明提供了一種基于拓?fù)浔３值慕馕鲂妥值鋵W(xué)習(xí)模型的人臉識(shí)別方法，該方法包括：

步驟s1，為了方便操作，首先對(duì)訓(xùn)練集和測(cè)試集樣本進(jìn)行預(yù)處理，分別去掉邊緣處5-10個(gè)像素，得到中心w×h的像素部分，假設(shè)m＝wh，將每個(gè)圖像拉伸成m×1的列向量。然后用隨機(jī)矩陣對(duì)訓(xùn)練集和測(cè)試集樣本進(jìn)行映射，其中隨機(jī)矩陣r的每個(gè)元素都是先獨(dú)立取樣于零均值的正態(tài)分布，再將ry＝[y1，y2，l，yn]∈？^n×n的每行都標(biāo)準(zhǔn)化到單位長(zhǎng)度。此步可得到含有幅圖像的訓(xùn)練集矩陣；

步驟s2，對(duì)訓(xùn)練集按照提出的拓?fù)浔３值慕馕鲂妥值鋵W(xué)習(xí)模型進(jìn)行建模，通過(guò)最小化下述目標(biāo)函數(shù)，得到解析型字典和訓(xùn)練集的編碼系數(shù)

上述目標(biāo)函數(shù)中：α，β為人工設(shè)置的權(quán)重參數(shù)，用于調(diào)節(jié)各項(xiàng)之間的相對(duì)大小關(guān)系；

其中，第一部分是基本的解析型字典學(xué)習(xí)模型，如公式(2)：

其中，代表稀疏重構(gòu)誤差，ωi是解析型字典ω的第i行。

其中，第二部分tr(ωyly^rω^t)是拓?fù)浔３猪?xiàng)，拓?fù)浔３中枰３值氖怯绊慿近鄰(knn)分類(lèi)性能的原始特征的相對(duì)遠(yuǎn)近程度(近鄰排序)，即針對(duì)″哪個(gè)更近″，而不是單純的″哪個(gè)是近鄰″。稀疏編碼要保持原始特征的拓?fù)浣Y(jié)構(gòu)，原始空間任意兩個(gè)特征向量yu和yv的距離設(shè)為suv，編碼空間對(duì)應(yīng)的距離設(shè)為tuv，拓?fù)浔３帜繕?biāo)函數(shù)為：

其中：矩陣si為反對(duì)稱矩陣，其位置(u，v)的元素值是原始空間兩個(gè)距離的差siu-siv，利用反對(duì)稱矩陣的性質(zhì)，對(duì)公式(3)進(jìn)行化簡(jiǎn)，可得：

可令wij∑usi(u，j)，則公式(4)可繼續(xù)化簡(jiǎn)為：

此處的矩陣w即可看作一個(gè)權(quán)重矩陣(w不對(duì)稱，但是可以分解成對(duì)稱矩陣w+與反對(duì)稱矩陣w-的加和)，可以求取l＝s+-w+，其中s+矩陣定義為對(duì)角陣，第i個(gè)對(duì)角元素值s+，ii等于w+矩陣的第i行所有元素的和，由此，可以推導(dǎo)得到拓?fù)浔３猪?xiàng)的拉普拉斯矩陣形式的約束：

為了同時(shí)保持近鄰特性，我們采取以下方式為每個(gè)yi計(jì)算wij：

其中n(yi)是yi的k近鄰集合，考慮到解析型字典在編碼過(guò)程中的重要性，也為了更直接的學(xué)習(xí)字典ω，我們將公式(6)中的x替換為ωy，繼而得到拓?fù)浔３猪?xiàng)的最終形式；

第三部分是判決強(qiáng)化項(xiàng)，設(shè)置r等于樣本的類(lèi)別總數(shù)，矩陣的每一列為僅有1個(gè)非零元素的列向量，其非零元素的位置就對(duì)應(yīng)于訓(xùn)練樣本的類(lèi)別信息。

目標(biāo)函數(shù)(1)是非凸問(wèn)題，考慮求解它的凸松弛形式(8)：

目標(biāo)方程(8)是一個(gè)雙凸問(wèn)題，它的求解需要通過(guò)一個(gè)兩步的交替迭代優(yōu)化策略來(lái)完成，具體的過(guò)程總結(jié)如下：

s21，對(duì)于訓(xùn)練集中的人臉特征，通過(guò)公式(7)計(jì)算得到矩陣w并求出拉普拉斯矩陣l。對(duì)x進(jìn)行初始化，令其初始值為h，接下來(lái)，進(jìn)入交替迭代過(guò)程，循環(huán)s22和s23直到收斂或達(dá)到迭代次數(shù)要求；

s22，固定編碼系數(shù)x，更新解析型字典ω；這時(shí)，目標(biāo)函數(shù)(8)就可以寫(xiě)成如下形式：

這個(gè)目標(biāo)函數(shù)是有閉式解的，可令其一階導(dǎo)數(shù)為0，推得：

ω^*＝xy^t[y(i+αl)y^t+γi]^-1(10)

為方便表示，將不同大小的單位陣均用i來(lái)表示；

s23，固定解析型字典ω，更新編碼系數(shù)x。這時(shí)，目標(biāo)函數(shù)(8)就化為：

這個(gè)目標(biāo)函數(shù)也是有閉式解的，可令其一階導(dǎo)數(shù)為0，推得：

我們?cè)趯?shí)驗(yàn)中將會(huì)設(shè)定β為一個(gè)很大的數(shù)，使得x能夠盡可能逼近稀疏的標(biāo)簽矩陣h；

經(jīng)過(guò)上述優(yōu)化過(guò)程之后，可以得到最終的訓(xùn)練結(jié)果，包括解析型字典和訓(xùn)練集的編碼系數(shù)

步驟s3，在模型訓(xùn)練之后，雖然得到了訓(xùn)練集對(duì)應(yīng)的編碼系數(shù)x，但是該編碼系數(shù)由于經(jīng)過(guò)優(yōu)化而過(guò)于理想化，測(cè)試樣本由于類(lèi)別信息未知而并不能進(jìn)行類(lèi)似的優(yōu)化，因此會(huì)造成訓(xùn)練樣本與測(cè)試樣本編碼空間的″失配″，這會(huì)對(duì)測(cè)試樣本的分類(lèi)產(chǎn)生影響，容易使得分類(lèi)準(zhǔn)確率降低。因此，我們一視同仁地，模型訓(xùn)練后，依照公式(13)用訓(xùn)練好的解析型字典ω對(duì)訓(xùn)練集和測(cè)試樣本同時(shí)進(jìn)行編碼，完成以上編碼過(guò)程，可以獲得訓(xùn)練集和測(cè)試樣本在字典上的編碼系數(shù)。

x＝ωy(13)

步驟s4中，將測(cè)試樣本的編碼系數(shù)、訓(xùn)練集的編碼系數(shù)及其對(duì)應(yīng)的類(lèi)別標(biāo)簽信息一起輸入k近鄰(knn)分類(lèi)器，得到最終分類(lèi)結(jié)果。

實(shí)施例：

為了詳細(xì)說(shuō)明本發(fā)明的具體實(shí)施方式及驗(yàn)證本發(fā)明的有效性，我們將本發(fā)明提出的方法應(yīng)用于一個(gè)公開(kāi)的人臉數(shù)據(jù)庫(kù)，即ar人臉數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)包含126個(gè)人的4000佘張彩色圖像。這些圖像擁有較多的臉部變化，如不同的光線情況、不同的表情、不同的臉部遮擋(墨鏡和圍巾)等，這樣使得實(shí)驗(yàn)更具有挑戰(zhàn)性。圖2展示了我們所使用的圖像，從中可以明顯看出各種臉部的變化。我們使用由50個(gè)男人50個(gè)女人的2600張圖片構(gòu)成的數(shù)據(jù)子集。對(duì)于每個(gè)人的圖像，我們隨機(jī)選擇20張進(jìn)行訓(xùn)練，另外6張進(jìn)行測(cè)試。每張人臉圖像經(jīng)過(guò)預(yù)處理后大小為165×120，使用隨機(jī)矩陣映射得到540維列向量作為訓(xùn)練和測(cè)試的輸入特征。

按照之前介紹的技術(shù)細(xì)節(jié)中的步驟s2，我們首先將所有訓(xùn)練集數(shù)據(jù)輸入模型進(jìn)行訓(xùn)練，其中：計(jì)算w時(shí)每個(gè)樣本的近鄰數(shù)k設(shè)為5，權(quán)重參數(shù)α和γ分別為0.001和0.1，而β被經(jīng)驗(yàn)地設(shè)為較大的整數(shù)10。訓(xùn)練完畢得到解析型字典接下來(lái)根據(jù)步驟s3和s4，對(duì)新來(lái)的測(cè)試圖像和訓(xùn)練集一起進(jìn)行編碼，再將測(cè)試樣本的編碼系數(shù)、訓(xùn)練集的編碼系數(shù)及其對(duì)應(yīng)的類(lèi)別標(biāo)簽信息一起輸入k近鄰(knn)分類(lèi)器以得到最終的分類(lèi)結(jié)果。

圖3展示了我們的方法在識(shí)別準(zhǔn)確率、訓(xùn)練時(shí)間、平均每張圖像測(cè)試時(shí)間共3個(gè)指標(biāo)上和其他方法的對(duì)比，其中dlsi來(lái)自于ignacioramirez的文章《基于結(jié)構(gòu)化不相干性和共同特征的字典學(xué)習(xí)模型的分類(lèi)和聚類(lèi)》，fddl來(lái)自于mengyang的文章《基于fisher判決字典學(xué)習(xí)模型的稀疏表示》，lc-ksvd來(lái)自于zhuolinjiang的文章《基于標(biāo)簽一致k-svd的判決字典學(xué)習(xí)模型的稀疏編碼》，dpl來(lái)自于shuhanggu的文章《基于映射字典對(duì)學(xué)習(xí)的模式分類(lèi)》。和這些比較流行的基于字典學(xué)習(xí)的方法比較，我們的方法在人臉識(shí)別的準(zhǔn)確率和運(yùn)行速度上有明顯的提高。因此，本發(fā)明在人臉識(shí)別的實(shí)際應(yīng)用中是一種極為有效的方法，可以顯著地提高識(shí)別準(zhǔn)確率并且節(jié)約運(yùn)行時(shí)間。

以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說(shuō)明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。