本發(fā)明涉及人臉識別
技術(shù)領(lǐng)域：
，尤其涉及基于核非負矩陣分解的字典學習和稀疏特征表示的人臉識別方法及系統(tǒng)。
背景技術(shù)：
：近年來，在計算機視覺與模式識別領(lǐng)域中，人臉識別已經(jīng)成為最熱門的研究方向之一。人臉識別系統(tǒng)被廣泛地應(yīng)用于我們的生活當中，例如公安刑偵破案、門禁系統(tǒng)、攝像監(jiān)視系統(tǒng)、身份辨識、網(wǎng)絡(luò)應(yīng)用等。人臉識別服務(wù)于人們活動的各個重要方面，給人們帶了便利、輕松的生活環(huán)境。人臉識別是基于人的臉部特征信息進行身份識別的一種生物識別技術(shù)。在人臉識別當中，表示一張人臉圖像最流行的方法是通過一組基圖像的線性組合。非負矩陣分解(NMF)是一種典型的人臉識別方法，能夠有效地提取人臉的局部化特征。對于一個非負矩陣X，NMF是為了找到兩個非負矩陣W和H使得X≈WH，其中W和H分別被稱為基圖像矩陣和系數(shù)矩陣。W的每一列被叫作基圖像，這些基圖像是一些人臉的局部化特征，比如說鼻子、眼睛、耳朵、嘴巴等等。H的每一列是一個特征，這些特征是由非負的系數(shù)組成。如果X的每一列代表一張人臉圖像，那么NMF能通過W中的局部化特征的線性組合來學習X中的每一整張人臉圖像，這與通過組合物體部分來形成總體這一直觀概念相符合。然而，非負矩陣分解算法是一種線性特征提取方法。由于人臉圖像受到不同光照、不同姿勢、不同表情等因素的影響，人臉圖像的數(shù)據(jù)在模式空間中分布十分復雜，往往呈現(xiàn)出非線性結(jié)構(gòu)，所以，當我們應(yīng)用線性的算法(比如NMF)到人臉識別上時，就很難取得比較好的識別效果。為此，許多研究人員提出了一些非線性方法來克服這類問題。其中，核方法是一種流行的方法，它能夠有效地提取模式的非線性特征，從而克服人臉圖像數(shù)據(jù)呈現(xiàn)的非線性問題。核方法的基本思想是首先通過利用非線性映射φ將原始空間中的數(shù)據(jù)X映射到一個高維核空間中，使得新的數(shù)據(jù)φ(X)線性可分，然后在高維核空間中應(yīng)用線性方法對新的數(shù)據(jù)φ(X)進行處理。在核方法中，核空間的維數(shù)一般遠大于原始樣本空間的維數(shù)，甚至有些是無窮維。作為一種非線性的方法，核非負矩陣分解(KNMF)是NMF的核方法，它克服了圖像數(shù)據(jù)非線性問題。KNMF算法的主要思路是首先將通過非線性映射后的樣本φ(X)，然后用高維核空間中的一組基近似地線性表出φ(X)，即φ(X)≈φ(W)H，系數(shù)矩陣H的每一列將作為原始樣本X的新特征。在人臉識別上，實驗結(jié)果表明KNMF優(yōu)于線性NMF方法。研究表明，提取的特征越稀疏，越有利于模式分類。因此，在人臉識別上，一些具有稀疏特征的非負矩陣分解算法被提出用來提高算法的識別性能。為了提高KNMF特征的稀疏度和判別力度，我們前面工作提出了一種分塊核非負矩陣分解算法(BKNMF)。BKNMF通過利用了分塊技巧，首先是對每一類的訓練樣本執(zhí)行一種核非負矩陣分解，然后合并所有類的分解得到總的分解。在BKNMF執(zhí)行的核非負矩陣分解與KNMF有所不同，前者通過利用每類的判別信息來減小類間的距離，因此比后者有更好的判別力度。BKNMF能夠提取稀疏的非線性特征，并且來自不同類的特征是相互正交的。但是BKNMF的特征稀疏度還可以進一步提高，從而使識別性能提升。非負稀疏表示(NSR)方法是提取非負稀疏特征的有效方法。NSR的主要任務(wù)是解決一個帶有l(wèi)0范數(shù)正則項的平方最小化問題。然而，這個最小化問題是一個NP難度問題。幸運的是，對非負稀疏表示的深入研究表明：當這個NP難度問題的解充分稀疏時，它能夠用l1范數(shù)正則項代替l0范數(shù)正則項，從而轉(zhuǎn)化成一個帶有l(wèi)1范數(shù)正則項的凸優(yōu)化問題。當數(shù)據(jù)呈現(xiàn)出非線性結(jié)構(gòu)時，非線性的NSR通常比線性的NSR取得的分類會效果更好。作為一種非線性的NSR方法，基于核的非負稀疏表示(KNSR)有效地克服了數(shù)據(jù)呈非線性結(jié)構(gòu)問題。KNSR的關(guān)鍵在于其稀疏學習字典，一般直接用映射后的訓練樣本矩陣作為稀疏表示字典，基于該字典在高維核空間中來提取新數(shù)據(jù)的非負稀疏特征。雖然KNSR能夠提取數(shù)據(jù)的稀疏非線性特征，但是它的字典沒有利用到模式的類標信息，即它是一種無監(jiān)督的方法。因此，KNSR的性能在分類任務(wù)中會受到影響。本專利擬通過利用訓練樣本的類標信息來構(gòu)造高性能稀疏學習字典，以提升KNSR的識別性能?？傊?，在人臉識別中，雖然有各種各樣方法被提出來克服各種問題，但是這些現(xiàn)有的方法都普遍存在一些問題：(1)當數(shù)據(jù)在模式空間中呈非線性分布時，線性算法的效果并不理想；(2)許多算法都是無監(jiān)督的方法，即沒有用到樣本的類標信息，通常有監(jiān)督的方法都會比無監(jiān)督的方法取得的效果好；(3)許多方法提取的特征不足夠稀疏，這會降低算法分類能力。關(guān)鍵詞解釋：1，非負矩陣分解(NonnegativeMatrixFactorization,NMF)非負矩陣分解是將一個非負樣本矩陣X近似分解成兩個非負矩陣的乘積，即X≈WH,其中，W和H都是非負矩陣且分別被稱為基圖像矩陣和系數(shù)矩陣。2，核非負矩陣分解(KernelNonnegativeMatrixFactorization,KNMF)核非負矩陣分解是首先通過一個非線性映射φ將非負樣本矩陣X映射到高維空間中，然后將被映射的非負樣本矩陣φ(X)近似分解成被映射的原像矩陣φ(W)和系數(shù)矩陣H,的乘積，即φ(X)≈φ(W)H,其中W和H都是非負矩陣且分別被稱為原像矩陣和系數(shù)矩陣。3，分塊核非負矩陣分解(BlockKernelNonnegativeMatrixFactorization,BKNMF)在BKNMF中，非負樣本矩陣X是由c類非負訓練樣本生成，即X＝[X1,X2,...,Xc]，其中Xi是由第i類非負訓練樣本組成，(i＝1,2,...,c)。分塊核非負矩陣分解首先是對每一個小矩陣φ(Xi)進行分解，即φ(Xi)≈φ(Wi)Hi,其中Wi和Hi都是非負矩陣。通過組合以上所有分解，即可得到如下分塊核非負矩陣分解：φ(X)≈φ(W)H,其中，φ(X)＝[φ(X1),φ(X2),...,φ(Xc)]，W＝[W1,W2,...,Wc],φ(W)＝[φ(W1),φ(W2),...,φ(Wc)]，H＝diag{H1,H2,...,Hc}.4，基于核的非負稀疏表示(Kernel-basedNonnegativeSparseRepresentation，KNSR)基于核的非負稀疏表示是首先通過一個非線性映射φ將非負列向量y和非負樣本矩陣X映射到高維空間中，直接用X的像矩陣作為稀疏學習字典，在此字典下找到一個盡可能稀疏的非負向量s來表達φ(y)，即φ(y)≈φ(X)s，其中φ(X)被稱為稀疏學習字典，非負列向量s被要求含有盡可能多的零元素。具體說明如下：1、非負矩陣分解算法(NMF)NMF算法的主要思想是：對于一個給定的非負樣本矩陣X＝[x1,x2,...,xn]找到兩個非負矩陣W和H使得：X≈WH,其中，W＝[w1,w2,...,wr]，且W與H都是非負矩陣且分別被稱為基圖像矩陣和系數(shù)矩陣。那么，對于X中的第i張人臉圖像(第i列)xi，可被W中的基圖像近似地線性表示成其中wk是W中的第k張基圖像(第k列)，hki是特征hi中第k個非負系數(shù)。為了度量X與WH的逼近程度，NMF算法的目標函數(shù)被定義為：則NMF需要求解如下優(yōu)化問題：如上問題可用梯度下降法解決,可得到如下求W與H的交叉迭代公式：其中S是一個對角矩陣且對角元素符號和“-”分別表示兩個矩陣相同位置元素的相乘和相除。2、基于核的非負矩陣分解算法(KNMF)KNMF算法首先通過一個非線性映射φ：將非負樣本映射到一個高維空間F；然后找到一個非負的原像矩陣和一個非負的系數(shù)矩陣，使得被映射后的樣本能夠近似表示為被映射后的原像的線性組合，即其中特征hki和原圖像wk是非負的。矩陣形式可表示為：φ(X)＝φ(W)H，其中φ(X)＝[φ(x1),φ(x2),...,φ(xn)]，φ(W)＝[φ(w1),φ(w2),...,φ(wr)]。KNMF算法的目標函數(shù)為其需要解決的優(yōu)化問題為：基于梯度下降法，下面的W和H的交叉迭代公式可以用來解決最優(yōu)化問題(2)：其中B與S是兩個對角矩陣且對角元素分別為K'WW與K'XW分別是矩陣KWW與KXW關(guān)于W中元素的偏導數(shù)。KWW與KWX是兩個核矩陣，被定義為：[KWW]ij＝[φ(W)Tφ(W)]ij＝φ(wi)Tφ(wj)＝k(wi,wj)，[KWX]ij＝[φ(W)Tφ(X)]ij＝φ(wi)Tφ(xj)＝k(wi,xj)，其中k(x,y)是多項式核函數(shù)，即k(x,y)＝(xTy+c)d，d>0.s3、分塊的核非負矩陣分解算法(BKNMF)BKNMF算法的主要思想是首先對每一類的非負訓練樣本矩陣Xi執(zhí)行一個非線性的分解，(i＝1,2,...,c)，即φ(Xi)≈φ(Wi)Hi,然后合并上面所有的分解得到總得分解，即φ(X)≈φ(W)H,其中X＝[X1,X2,...,Xc]，W＝[W1,W2,...,Wc]，H＝diag{H1,H2,...,Hc}，φ(X)＝[φ(X1),φ(X2),...,φ(Xc)]及φ(W)＝[φ(W1),φ(W2),...,φ(Wc)]，X，W和H都是非負矩陣。BKNMF中對每類執(zhí)行的非線性的分解與不同于上面的KNMF，它是基于以下目標函數(shù)得到的：其中α是一個非負的參數(shù)，是第i類中Hi的內(nèi)間散度矩陣，即其中，ni是Hi(或Xi)的列數(shù)，是Hi的第j列，是Hi的均值向量，即表示矩陣的跡?；谔荻认陆捣?，可得如下BKNMF中的非線性非負矩陣分解迭代公式：其中是一個元素全為1的ni×ni階矩陣，核函數(shù)取多項式核。4、基于核的非負稀疏表示算法(KNSR)KNSR算法是首先通過一個非線性映射φ將非負列向量y和非負樣本矩陣X映射到高維空間中，得到高維空間中的新數(shù)據(jù)φ(y)和學習字典φ(X)；然后基于字典φ(X)求得一個盡可能含零元素多的非負向量s來表達φ(y)，即φ(y)≈φ(X)s。KNSR的目標函數(shù)定義為:其中λ||s||0是正則項，||s||0表示s中非零元素的個數(shù)，λ是一個非負的正則項參數(shù)。那么,KNSR等價于下面的最優(yōu)化問題：然而，這個優(yōu)化問題不是一個凸優(yōu)化問題，它是一個NP難度問題。研究表明：當它的解充分的稀疏時，F(xiàn)(s)中的||s||0可以用||s||1代替，其中，||s||1表示s所有元素的和。因此，KNSR最優(yōu)化問題可以轉(zhuǎn)化為一個帶有l(wèi)1范數(shù)正則項的凸優(yōu)化問題來求解。基于梯度下降法，可得如下KNSR迭代公式：其中1是元素全為1的列向量。相關(guān)技術(shù)的缺點如下：(1)、非負矩陣分解算法(NMF)是一種典型的人臉識別算法，但它是一種無監(jiān)督的線性方法。當人臉圖像數(shù)據(jù)呈現(xiàn)出復雜的非線性結(jié)構(gòu)時，NMF算法不能夠有效的進行處理，這使得NMF不能取得較好的識別效果。(2)、核非負矩陣分解算法(KNMF)是一種有效的非線性人臉識別方法，在人臉識別上性能優(yōu)于NMF。然而，KNMF依然是無監(jiān)督的學習方法。此外，KNMF算法不能提取出高度稀疏的特征，這都會影響其識別精度。(3)、分塊核非負矩陣分解算法(BKNMF)是一種有監(jiān)督的人臉識別算法，它能夠提取比較稀疏的特征。然而，其特征稀疏度可以進一步提高，進而提高識別性能。(4)、核非負稀疏表示算法(KNSR)其稀疏字典沒有利用到模式的類標信息，即它也是一種無監(jiān)督的學習算法。因而，在分類任務(wù)中，它的識別能力會受到影響。技術(shù)實現(xiàn)要素：本發(fā)明提供了一種基于核非負矩陣分解的字典學習和稀疏特征表示的人臉識別方法，包括如下步驟：A.將c個類預(yù)設(shè)的非負訓練樣本圖像表示為非負列向量，然后組合成非負小矩陣Xi；B.對每一個小矩陣Xi執(zhí)行KNMF，來得到非負原像子矩陣Wi，然后組合成非負原像矩陣W＝[W1,W2,...,Wc]；C.對于一個非負的測試樣本y，通過更新法則(6)來獲得y的稀疏表示特征s；D.將s表示成其中si是一個列向量，它表示s中只與φ(Wi)有關(guān)的部分；E.計算每一個di＝||si||1；F.比較所有的di，如果dk是最大，那么將y歸到第k類。作為本發(fā)明的進一步改進，該人臉識別方法包括利用分塊策略構(gòu)造一個有監(jiān)督的基于核非負矩陣分解的稀疏學習字典。作為本發(fā)明的進一步改進，構(gòu)造基于核非負矩陣分解的字典包括：利用類標信息，對每一類的非負訓練樣本矩陣Xi執(zhí)行KNMF，(i＝1,2,...,c)，即φ(Xi)≈φ(Wi)Hi,其中Wi和Hi都是非負矩陣，通過合并所有類別的分解，我們得到總得分解：即φ(X)≈φ(W)H,其中φ(X)＝[φ(X1),φ(X2),...,φ(Xc)],W＝[W1,W2,...,Wc]，φ(W)≈[φ(W1),φ(W2),...,φ(Wc)]，H＝diag{H1,H2,...,Hc}；φ(W)是有監(jiān)督的基于核非負矩陣分解的稀疏表示字典。作為本發(fā)明的進一步改進，根據(jù)稀疏表示字典來學習樣本的非負稀疏表示特征，其通過解決一個帶有l(wèi)1范數(shù)正則項的平方最小化問題來得到。作為本發(fā)明的進一步改進，基于稀疏表示字典φ(W)，對于一個非負測試樣本y的稀疏表示特征通過解最優(yōu)化問題(3)得到：其中λ是一個非負的正則化參數(shù)，||s||0表示s中非零元素的個數(shù)，當問題(3)的解充分的稀疏時，問題(3)中l(wèi)0范數(shù)可以用l1范數(shù)代替，從而轉(zhuǎn)化為一個帶有l(wèi)1范數(shù)正則項的凸優(yōu)化問題來求解，那么可以將等式(4)寫成：其中||s||1表示s中所有元素的和?；谔荻认陆捣ǎ瑒t有：其中ρ是一個非負的步長向量，是F(s)關(guān)于向量s的偏導數(shù)且其中1是元素全為1的列向量，為了保持s的非負性，令最后我們得到了關(guān)于s的如下迭代公式來解決問題(3)：在更新法則(6)下，F(xiàn)(s)是收斂的。本發(fā)明還提供了一種基于核非負矩陣分解的字典學習和稀疏特征表示的人臉識別系統(tǒng)，包括：第一訓練模塊，用于將c個類預(yù)設(shè)的非負訓練樣本圖像表示為非負列向量，然后組合成非負小矩陣Xi；第二訓練模塊，用于對每一個小矩陣Xi執(zhí)行KNMF，來得到非負原像子矩陣Wi，然后組合成非負原像矩陣W＝[W1,W2,...,Wc]；第一測試模塊，用于對于一個非負的測試樣本y，通過更新法則(6)來獲得y的稀疏表示特征s；第二測試模塊，用于將s表示成其中si是一個列向量，它表示s中只與φ(Wi)有關(guān)的部分；第三測試模塊，用于計算每一個di＝||si||1；第四測試模塊，用于比較所有的di，如果dk是最大，那么將y歸到第k類。作為本發(fā)明的進一步改進，該人臉識別系統(tǒng)包括利用分塊策略構(gòu)造一個有監(jiān)督的基于核非負矩陣分解的稀疏表示字典。作為本發(fā)明的進一步改進，構(gòu)造基于核非負矩陣分解的字典包括：利用類標信息，對每一類的非負訓練樣本矩陣Xi執(zhí)行KNMF，(i＝1,2,...,c)，即φ(Xi)≈φ(Wi)Hi,其中Wi和Hi都是非負矩陣，通過合并所有類別的分解，我們得到總得分解：即φ(X)≈φ(W)H,其中φ(X)＝[φ(X1),φ(X2),...,φ(Xc)],W＝[W1,W2,...,Wc]，φ(W)≈[φ(W1),φ(W2),...,φ(Wc)]，H＝diag{H1,H2,...,Hc}；φ(W)是有監(jiān)督的基于核非負矩陣分解的稀疏表示字典。作為本發(fā)明的進一步改進，根據(jù)稀疏表示字典學習樣本的非負稀疏表示特征，其通過解決一個帶有l(wèi)1范數(shù)正則項的平方最小化問題來得到。作為本發(fā)明的進一步改進，基于稀疏表示字典φ(W)，對于一個非負測試樣本y的稀疏表示特征通過解最優(yōu)化問題(3)得到：其中λ是一個非負的正則化參數(shù)，||s||0表示s中非零元素的個數(shù)，當問題(3)的解充分的稀疏時，問題(3)中l(wèi)0范數(shù)可以用l1范數(shù)代替，從而轉(zhuǎn)化為一個帶有l(wèi)1范數(shù)正則項的凸優(yōu)化問題來求解，那么可以將等式(4)寫成：其中||s||1表示s中所有元素的和?；谔荻认陆捣?，則有：其中ρ是一個非負的步長向量，是F(s)關(guān)于向量s的偏導數(shù)且其中1是元素全為1的列向量，為了保持s的非負性，令最后我們得到了關(guān)于s的如下迭代公式來解決問題(3)：在更新法則(6)下，F(xiàn)(s)是收斂的。本發(fā)明的有益效果是：通過利用核非負矩陣分解來構(gòu)造高性能核稀疏表示學習字典，實現(xiàn)了一種非線性的非負稀疏表示人臉識別算法，克服了人臉數(shù)據(jù)呈現(xiàn)出復雜的非線性結(jié)構(gòu)情況，且提升了識別性能。附圖說明圖1是本發(fā)明的方法流程圖。圖2是本發(fā)明的方法與現(xiàn)有相關(guān)算法在ORL人臉數(shù)據(jù)庫上的識別率圖。具體實施方式為了克服
背景技術(shù)：
中普遍存在的問題，本發(fā)明公開了一種基于核非負矩陣分解的字典學習和稀疏特征表示的人臉識別方法?；诓煌南∈鑼W習字典，稀疏特征表示算法取得的效果有很大的差異。本發(fā)明利用模式類標信息構(gòu)造了一種基于核非負矩陣分解的高性能稀疏學習字典，開發(fā)了一種有監(jiān)督的基于核的非負稀疏表示算法。該算法克服
背景技術(shù)：
所有普遍存在的問題，取得了優(yōu)越的識別性能。設(shè)X是由c個的非負訓練樣本生成的非負矩陣，即其中是由第i類的ni個非負訓練樣本生成的矩陣，且總的樣本數(shù)為：本發(fā)明涉及的方法分為兩步，即基于核非負矩陣分解的稀疏字典學習和基于該字典的稀疏特征表示，具體如下：基于核非負矩陣分解的字典學習：基于不同的字典，非負稀疏表示算法取得的分類效果是不同的。因此，構(gòu)造一個高性能的非負稀疏學習字典對非負稀疏表示算法極其重要。下面我們利用分塊策略來構(gòu)造了一個有監(jiān)督的基于核非負矩陣分解字典。首先，我們利用類標信息，對每一類的非負訓練樣本矩陣Xi執(zhí)行KNMF，(i＝1,2,...,c)，即φ(Xi)≈φ(Wi)Hi,其中Wi和Hi都是非負矩陣。通過合并所有類別的分解，我們得到總得分解：即φ(X)≈φ(W)H,其中φ(X)＝[φ(X1),φ(X2),...,φ(Xc)],W＝[W1,W2,...,Wc]，φ(W)≈[φ(W1),φ(W2),...,φ(Wc)]，H＝diag{H1,H2,...,Hc}.顯然，我們可以看出系數(shù)矩陣H是一個非負的準對角矩陣，它的每一列包含大量的零元素(即每一個特征是都是稀疏的)且不同類的訓練樣本對應(yīng)的H中的列向量是正交的。因此，將基矩陣φ(W)作為一個非負稀疏表示的字典是更合理的，同時它兼容了非負性。該字典φ(W)包含了類標信息，與無監(jiān)督的字典相比，它具有更強的判別信息和學習能力?；趯W習字典的稀疏表示：由上一步，我們構(gòu)造了一種有監(jiān)督的基于核非負矩陣分解的稀疏表示字典φ(W)。下面，我們將給出如何基于該字典學習測試樣本的稀疏表示特征。這主要是通過解決一個帶有l(wèi)1范數(shù)正則項的平方最小化問題來得到。與基于核稀疏表示算法求解問題類似，基于上面求得的學習字典φ(W)，對于一個非負測試樣本y的稀疏表示特征可以通過解最優(yōu)化問題(3)得到：其中這里，λ是一個非負的正則化參數(shù)，||s||0表示s中非零元素的個數(shù)。然而，問題(3)不是一個凸優(yōu)化問題，它是一個NP難度問題。幸運的是，對稀疏表示的深入研究表明：當問題(3)的解充分的稀疏時，問題(3)中l(wèi)0范數(shù)可以用l1范數(shù)代替，從而轉(zhuǎn)化為一個帶有l(wèi)1范數(shù)正則項的凸優(yōu)化問題來求解。那么我們可以將等式(4)寫成：其中||s||1表示s中所有元素的和?；谔荻认陆捣?，則有：其中ρ是一個非負的步長向量，是F(s)關(guān)于向量s的偏導數(shù)且其中1是元素全為1的列向量。為了保持s的非負性，令最后我們得到了關(guān)于s的如下迭代公式來解決問題(3)：根據(jù)基于核的非負稀疏表示的研究成果可知，在更新法則(6)下，F(xiàn)(s)是收斂的。綜上，如圖1所示，本發(fā)明基于核非負矩陣分解的字典學習和稀疏特征表示的人臉識別方法，包括訓練階段和測試階段，在訓練階段中包括：A.將c個類預(yù)設(shè)的非負訓練樣本圖像表示為非負列向量，然后組合成非負小矩陣Xi；B.對每一個小矩陣Xi執(zhí)行KNMF，來得到非負原像子矩陣Wi，然后組合成非負原像矩陣W＝[W1,W2,...,Wc]；在測試階段中包括：C.對于一個非負的測試樣本y，通過更新法則(6)來獲得y的稀疏表示特征s；D.將s表示成其中si是一個列向量，它表示s中只與φ(Wi)有關(guān)的部分；E.計算每一個di＝||si||1；F.比較所有的di，如果dk是最大，那么將y歸到第k類。本發(fā)明還公開了一種于核非負矩陣分解的字典學習和稀疏特征表示的人臉識別系統(tǒng)，包括：第一訓練模塊，用于將c個類預(yù)設(shè)的非負訓練樣本圖像表示為非負列向量，然后組合成非負小矩陣Xi；第二訓練模塊，用于對每一個小矩陣Xi執(zhí)行KNMF，來得到非負原像子矩陣Wi，然后組合成非負原像矩陣W＝[W1,W2,...,Wc]；第一測試模塊，用于對于一個非負的測試樣本y，通過更新法則(6)來獲得y的稀疏表示特征s；第二測試模塊，用于將s表示成其中si是一個列向量，它表示s中只與φ(Wi)有關(guān)的部分；第三測試模塊，用于計算每一個di＝||si||1；第四測試模塊，用于比較所有的di，如果dk是最大，那么將y歸到第k類。如表1所示，本發(fā)明提出的方法(OurMethod)與現(xiàn)有相關(guān)算法(NMF、KNMF、BKNMF、KNSR)在ORL人臉數(shù)據(jù)庫上的識別率(％)比較(TN表示每一類的訓練樣本數(shù))：TN23456789NMF79.2584.2188.5491.0092.0693.1794.3895.00KNMF80.1987.5490.0092.3593.9494.8396.1396.25BKNMF80.6988.9391.6794.0094.5096.0097.7598.50KNSR83.5990.5493.5494.8096.8197.0898.0098.50OurKNSR86.0392.0094.6396.6097.5698.5098.6399.25如圖2所示，本發(fā)明提出的方法(OurMethod)與現(xiàn)有相關(guān)算法(NMF、KNMF、BKNMF、KNSR)在ORL人臉數(shù)據(jù)庫上的識別率圖。本發(fā)明的技術(shù)優(yōu)勢如下：1.通過利用核非負矩陣分解來構(gòu)造高性能核稀疏表示學習字典，實現(xiàn)了一種非線性的非負稀疏表示人臉識別算法，克服了人臉數(shù)據(jù)呈現(xiàn)出復雜的非線性結(jié)構(gòu)情況。2.通過利用了類標信息來構(gòu)造一個有監(jiān)督的稀疏學習字典，實現(xiàn)了一種有監(jiān)督的非負稀疏表示人臉識別算法，提升了無監(jiān)督的核非負稀疏表示算法的識別性能。3.本發(fā)明開發(fā)的方法融合了核非負矩陣分解算法和核稀疏表示算法的優(yōu)點，從而具有兩種算法的優(yōu)良性能，其不但可應(yīng)用于人臉識別，還可有效地應(yīng)用于其它識別問題，比如車牌識別等。4.通過利用分塊技巧到KNMF中來構(gòu)造一個合理的，兼容的稀疏學習字典，提升了基于NMF的方法的判別力度和特征的稀疏度，實現(xiàn)了一種具有高效的分類性能的基于核非負稀疏表示人臉識別算法。5.通過在人臉數(shù)據(jù)庫上進行實驗與相關(guān)算法比較，實驗結(jié)果驗證了本發(fā)明開發(fā)的算法的優(yōu)越性。以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當視為屬于本發(fā)明的保護范圍。當前第1頁1 2 3