一種基于子空間分析的分類識別方法技術

本發明專利技術涉及基于子空間分析的新型分類識別算法，其借鑒稀疏性分析模型和支持向量機的思想，設計J類分類器組合，對每個分類器組，把匹配的測試樣本投影到零點附近，而不匹配的樣本投影到離零點盡可能遠處；然后根據最近鄰原理進行分類判別。本發明專利技術將子空間分析分類器用于人臉識別，在ORL人臉識別數據庫上的實驗中，子空間分析分類器表現出了優于傳統分類器的分類性能；在小樣本數據實驗中，具有識別速度快，精度高，不需要長時間訓練的特點；實驗結果充分證實了子空間分析分類器的可行性和有效性。

A new classification recognition algorithm based on subspace analysis

The invention relates to a novel classification algorithm based on subspace analysis, the use of sparse analysis model and support vector machine theory, the design of class J classifier combination for each classifier group, the test sample projection matching to near zero, and the sample does not match the projection from the zero distance as much as possible; then according to the nearest neighbor the principle of classification. In the invention, the subspace analysis classifier for face recognition, face recognition in the ORL database experiment, subspace analysis classifier showed better classification performance than the traditional classifiers; in the experiment of small sample data, high recognition speed, high precision, long time without training; the experimental results fully confirm the analysis the feasibility and effectiveness of the classifier subspace.

【技術實現步驟摘要】
一種基于子空間分析的新型分類識別算法
本專利技術涉及一種分類識別算法，尤其是涉及一種基于子空間分析的新型分類識別算法。
技術介紹
隨著模式識別、機器學習、人工智能等領域的不斷發展和新技術的不斷涌現，分類算法得到了長足的發展。作為模式識別的最后一個環節，分類識別是至關重要的。這個階段的工作就是設計分類器，將待識別的圖像特征與訓練樣本圖像特征進行匹配，獲得分類結果。在無監督學習的分類器設計中，最近鄰(NN，NearestNeighbor)思想應用最為廣泛。其主要原則是如果一個樣本在特征空間中的最相鄰的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。后來衍生出來的最近特征線(NearestFeatureLine，NFL)和最近特征面(NearestFeaturePlane，NFP)以及最近特征子空間(NearestFeatureSubspace，NFS)算法都是這一思想的具體實現，都是計算測試樣本到訓練樣本組成區域(點線面子空間)的最短距離。基于監督學習的分類器有支持向量機和神經網絡的分類器，需要很長訓練時間，且當樣本不充分時容易陷入局部最小。近些年來，出現了一類基于線性稀疏表示的分類器，給模式識別特別是人臉識別注入了新的活力。它利用信號稀疏表示特點進行模式識別分類，有很好的魯棒性。從表示的角度來看，NN，NFL，NFP都可以看成是稀疏表示，只不過它們是稀疏度分別是已經知道，而SRC是稀疏度自適應。文獻研究發現各類樣本間的協同表示才是SRC算法取得成功的關鍵，提出了基于l2范數的協同表示分類，它利用不同樣本之間相似性競爭獲得較好的識別效果，有較高的魯棒性，由于采用l2范數其識別速度明顯提高。Vincent和Bengio認為高維空間中的樣本位于低維樣本流形上，并且局部保持著線性結構，提出局部超平面距離和局部凸距離的最近鄰分類算法。
技術實現思路
本專利技術專利提出來一種可以在微型控制器上實現的一種基于子空間分析的新型分類識別算法，算法復雜度低，對硬件要求不高，識別速度快，精度高，性能穩定。一種基于子空間分析的新型分類識別算法，對人臉樣本信號，設計人臉分類器，任意一個給定圖像塊有m×n像素，其拉直后有x∈RN×1，這里N＝m×n，給定J類樣本每類有Lj個樣本，Ωj表示第j類樣本投影矩陣，Xj代表第j類訓練樣本，Xj*代表第j類訓練樣本以外的其他類樣本，Ωj*表示第j類樣本投影矩陣外的其他投影矩陣；令對Lj≤N由下式決定定義其中，因此其中，屬于對稱向量Rj所對應的N個歸一化特征向量集合{±Vj(：，n)}，這里并且γn≥γn+1，其受如下約束rank(Ωj)＝Lj，式(1)的解如下：設計其中，Lj滿足γLj≥0并且γLj+1<0；其分類結果由下式決定作為優選，當每個Ωj有L重復的行，是獨立L；如果L＝1，是Xj的零空間，如果測試圖像x屬于這個零空間，正交與由于Ωjx＝0，那么x就歸類到第j類。作為優選，Ωj要充分能張成Xj的零空間得到的列向量。作為優選，當α＝0，ΩjXj＝0變換僅僅基于Xj的零空間。作為優選，α的大小為：0≤α<1。作為優選，L≤N-rj設置不同維度的Ωj，對設Lj≤N-rj作為優選，當rj＜＜N用下式設計Ωj則分類器用下式實現作為優選，j0最終識別結果ε是很小數值，防止被除數是0。本專利技術借鑒稀疏性分析模型和支持向量機的思想，提出了子空間分析分類器，它設計J類分類器組合，對每個分類器組，把匹配的測試樣本投影到零點附近，而不匹配的樣本投影到離零點盡可能遠處；然后根據最近鄰原理進行分類判別。本專利技術分類器參數設置少，在ORL人臉識別數據庫上實驗結果充分證實了信號子空間分析分類算法利及其人臉識別應用識別速度快，識別性能穩定，其識別性能優于傳統分類器性能。附圖說明圖1為ORL數據庫中的部分人臉圖像；圖2為ORL庫對于不同訓練樣本數不同壓縮率識別率曲線圖。具體實施方式下面結合具體實施例對本專利技術作進一步說明，但本專利技術所要保護的范圍并不限于此。一種基于子空間分析的新型分類識別算法，對人臉樣本信號，設計人臉分類器：令對Lj≤N由下式決定要解決上述問題，定義注意因此這說明屬于對稱向量Rj所對應的N個歸一化特征向量集合{±Vj(：，n)}，這里這里并且γn≥γn+1，其受如下約束rank(Ωj)＝Lj，式(1)的解如下：可以這樣設計這里Lj滿足γLj≥0并且γLj+1<0；其分類結果由下式決定當每個Ωj有L重復的行，是獨立L；如果L＝1，是Xj的零空間，那么，如果測試圖像x屬于這個零空間，正交與由于Ωjx＝0，那么x就歸類到第j類。因此Ωj要充分能張成Xj的零空間得到的列向量，因此約束rank(Ω)＝L是高效變換的必要條件。當α＝0，ΩjXj＝0變換僅僅基于Xj的零空間。對于小α(0≤α<1)，可以得到更魯棒Ωj。參數L選擇非常重要，L越大，結果越好。L≤N-rj，可以設置不同維度的Ωj，對可以設Lj≤N-rj，當rj＜＜N，可以用下式設計Ωj類似，分類器可用下式實現任意一個給定圖像塊有m×n像素，其拉直后有x∈RN×1，這里N＝m×n，給定J類樣本每類有Lj個樣本，Ωj表示第j類樣本投影矩陣，Xj代表第j類訓練樣本，Xj*代表第j類訓練樣本以外的其他類樣本，Ωj*表示第j類樣本投影矩陣外的其他投影矩陣；j0最終識別結果ε是很小數值，防止被除數是0。實驗仿真將子空間分析分類分類器用于人臉識別。為驗證子空間分析分類的分類性能及人臉識別應用的有效性，實驗選擇在ORL人臉數據庫上對該分類器與KNN、線性支持向量機，協同表示l0,l1,l2，獨立表示進行測試比較。在各實驗中，支持向量機均采用二叉樹結構方法將多類分類問題轉化。ORL人臉數據庫由劍橋大學ATT實驗室創建，該數據庫包含40個人，每個人10張在不同時間段，不同光照條件，不同表情(表情包含笑與不笑)和不同飾物(主要指佩戴眼鏡與不佩戴眼鏡)下的正面人臉圖像。所有的圖像都是在相同的背景下拍攝。每幅人臉圖像包含92*112個像素，每個像素的灰度級為256。圖1給出了ORL數據庫中的部分人臉圖像。該庫中的人臉圖像攝于不同時期，具有光照、表情如睜眼、閉眼、微笑、不笑，細節如戴眼鏡、不戴眼鏡等的變化。圖1為標準人臉庫的人臉例圖。實驗首先將全部圖像進行格式轉換，并雙三次插值縮至32*32。不同參數α與壓縮難度的比較結果如表1所示：表1從表1可以看出，基于子空間分析識別率在α基本在0附近有很高的識別率。并且同樣的α識別率隨壓縮維度增加總體上成上升趨勢。ORL庫PCA壓縮不同分類器算法比較如表2所示：表2可以看出不同算法在壓縮維度增加情況下總體識別率成上升趨勢，基于子空間分析算法在壓縮維度較高的情況下識別性能最好，其穩定性也遠遠高于其它分類器。ORL庫對于不同訓練樣本數不同壓縮率識別率曲線如圖2所示，可以看出，對ORL庫，隨著樣本增加，總體識別率成上升趨勢，隨著壓縮維度增加，識別率也有一定上升。本專利技術將子空間分析分類器用于人臉識別，在ORL人臉識別數據庫上的實驗中，子空間分析分類器表現出了優于傳統分類器的分類性能。在小樣本數據實驗中，它具有識別速度快，精度高，占用內存小，不需要長時間訓練的特點。實驗結果充分證實了子空間分析分類本文檔來自技高網...

【技術保護點】
一種基于子空間分析的新型分類識別算法，其特征在于對人臉樣本信號，設計人臉分類器，任意一個給定圖像塊有m×n像素，其拉直后有x∈R

【技術特征摘要】
1.一種基于子空間分析的新型分類識別算法，其特征在于對人臉樣本信號，設計人臉分類器，任意一個給定圖像塊有m×n像素，其拉直后有x∈RN×1，這里N＝m×n，給定J類樣本每類有Lj個樣本，Ωj表示第j類樣本投影矩陣，Xj代表第j類訓練樣本，Xj*代表第j類訓練樣本以外的其他類樣本，Ωj*表示第j類樣本投影矩陣外的其他投影矩陣；令對Lj≤N由下式決定定義其中，因此其中，屬于對稱向量Rj所對應的N個歸一化特征向量集合{±Vj(：，n)}，這里并且其受如下約束rank(Ωj)＝Lj，式(1)的解如下：設計其中，Lj滿足γLj≥0并且γLj+1<0；其分類結果由下式決定2.根據權利要求1所述的基于子空間分析的新型分類識別算法，其特征在于：當每個Ωj有L重復的行，是獨立L；如果L＝1，是Xj的零空間，如果測試圖像x屬于這個零空間，正交與由于Ωjx＝0，那么x就歸類到第j類。3.根據權利要求2...

【專利技術屬性】
技術研發人員：于愛華，侯北平，李剛，馮晞，張震宇，孫勇智，
申請(專利權)人：浙江科技學院，
類型：發明
國別省市：浙江,33