专利名称：基于Lp范数的样本对加权的人脸特征提取方法
技术领域：
本发明涉及一种模式识别中的特征提取方法，特别是一种基于Lp范数的样本对加权的人脸特征提取方法。
背景技术：
人脸图像信息量过大且样本维数过高，人脸识别需要大量的存储和计算代价，导致“维数灾难”。因此在人脸识别之前需要对人脸图像进行处理，特征提取能够有效处理高维数据，采用线性或非线性的变换提取出最能代表该样本的少量特征。较高的维数通常包含冗余特征，降维同时需要尽可能保证数据的完整性和内在的结构性。PCA(Principal Component Analysis)主成分分析是一种传统的降维方法，它可以将高维数据投影到较低维空间，使投影后的数据有最大斜方差。但是，传统的PCA方法在目标函数中使用了 L2范数，因此它对异常值或离群点非常敏感。为了解决这个问题，近年来研究人员提出了 Lp范数约束的最大化LI范数主成分分析方法(Lp-PCA-Ll)，降低了对异常值的敏感性，但是它容易受到样本均值影响，无法突出样本中的关键特征所起的作用，很难适应具有复杂特征的数据，影响识别效果。
发明内容
为了解决现有技术存在的不足，本发明提出一种基于Lp范数的样本对加权的人脸特征提取方法，能有效避免样本均值影响，且对不同的样本对赋给不同的权重，突出对识别起关键作用的特征。本发明的目的是这样实现的:基于Lp范数约束的样本对加权特征提取算法，与PCA方法相比，该方法对目标函数采用LI范数，降低对异常值的敏感性，通过参数/7的选择，控制投影向量的稀疏性；与Lp-PCA-Ll方法相比，该方法能有效避免样本均值影响，且对不同的样本对赋给不同的权重，突出对识别起关键作用的特征；
本发明解决其技术问题所采用的技术方案是:
步骤I)将/ 幅大小为MxJWr的人脸图像用列向量形式表示为工4，
其中曷的维数为:这些列向量形成样本矩阵
权利要求
1.一种基于Lp范数的样本对加权的人脸特征提取方法，其特征在于:按照以下步骤进行:步骤I)将/ 幅大小为的人脸图像 工用列向量形式表示为工4，其中X的维数为:这些列向量形成样本矩阵
全文摘要
一种基于Lp范数的样本对加权的人脸特征提取方法，属于模式识别中的特征提取方法。1)将n幅大小为的人脸图像用列向量形式表示为，其中的维数为d，这些列向量形成样本矩阵；2)对同类的人脸样本对和不同类的人脸样本对分别采用不同函数作为加权函数；3)建立具有Lp范数的约束的样本对加权的优化模型，利用迭代优化算法得出局部最优的单位投影向量w；4)使用贪婪算法，将人脸图像的特征从最初的d维降到m维，实现维数约简和有效特征的提取。该方法可以灵活的对不同类型数据集进行特征提取，降低对异常值的敏感性，更能适应人脸图像的复杂性；对样本对进行加权，避免样本均值影响，提取的特征更加有效。在遮挡的情况下相比PCA和Lp-PCA-L1性能提高2~5%。
文档编号G06K9/46GK103150570SQ20131007430
公开日2013年6月12日 申请日期2013年3月8日 优先权日2013年3月8日
发明者梁志贞, 刘宁 申请人:中国矿业大学