专利名称：基于较大编码系数强化的稀疏编码方法
技术领域：
本发明涉及基于较大编码系数强化的稀疏编码方法，属于利用稀疏编码方法进行模式识别的技术领域。
背景技术：
随着近年来稀疏编码得到了越来越广泛的关注，它也在盲信号分离、特征提取、数据分类、视觉图像处理以及模式识别等领域得到了越来越多的应用。下面以稀疏编码在人脸识别中的应用为例，介绍一下现有的2种稀疏编码方法:1.稀疏编码(Sparse Representation based Classification, SRC)方法的步骤为:首先，提取含有多个类别的训练样本，将之表示为字典，然后将测试样本表示为字典的线性组合，得到稀疏编码系数，其中 每个系数分别对应每个训练样本，同时每个类别的系数也对应每个类别的训练样本；然后将各个类别对应的稀疏编码系数与字典相乘得到重构样本，然后测试样本与重构样本相减得到误差；最终，得到系数重构样本与测试样本所得到的误差最小，其重构样本所对应的类别即为最终判定测试样本的所属类别。2.研究人员之后又提出了鲁棒稀疏编码(Robust Sparse Coding, RSC)方法,该方法对图像中包含异常像素的情况表现出很好的鲁棒性，其方法步骤为:与稀疏编码(SparseRepresentation based Classification, SRC)相比，在表示过程中加入权值矩阵，当训练样本不能较好的表示测试样本时，即冗余误差较大时,权值矩阵能够减小冗余误差，这样，如果遇到较大的遮挡物或噪声，鲁棒稀疏编码(RobustSparse Coding, RSC)仍旧能够得到稀疏系数,使得最终识别率不受影响。同时，在重构过程中也加入权值矩阵W，与表示过程相对应。判定最终类别方法也同稀疏编码(SparseRepresentation based Classification, SRC) 一样。但是在实际应用中，以上两种稀疏编码方法在重构过程中的错误率较高，识别率较低。
发明内容
针对现有技术的不足，本发明提出基于较大编码系数强化的稀疏编码方法，该方法目的在于提出了稀疏编码中的一种新的重构方法。因为当编码系数很杂乱或者不能满足稀疏的要求时，通常不能够正确的分类，所以通过选择其中较大的一部分编码系数也参与样本的重构过程，使得算法在人脸识别的应用中能够获得更高的识别率。本发明的技术方案如下:一种基于较大编码系数强化的稀疏编码方法，包括应用于稀疏编码的方法(ALarger Coefficients Emphasis Framework for Sparse Representation, LCE-SRC),和应用于鲁棒稀疏编码的方法(A Larger Coefficients Emphasis Framework for RobustSparse Coding, LCE-RSC):其中，本发明应用于稀疏编码的方法(A Larger Coefficients EmphasisFramework for Sparse Representation, LCE-SRC)，包括步骤(a) - (e):a:首先提取I个测试样本的特征，将其表示为一个列向量，同样也提取k个训练样本的特征，将其表示为k列的矩阵；b:用主成分分析方法(PCA)将测试样本列向量和训练样本矩阵的每个列向量降维至m维，所以得到m维的测试样本列向量和大小为mXk的训练样本矩阵，其中，称降维后的训练样本矩阵为训练样本字典；c:稀疏表不:
权利要求
1.一种基于较大编码系数强化的稀疏编码方法，其特征在于，包括应用于稀疏编石马的方法(A Larger Coefficients Emphasis Framework for SparseRepresentation, LCE-SRC),和应用于鲁棒稀疏编码的方法(A Larger CoefficientsEmphasis Framework for Robust Sparse Coding, LCE-RSC): 其中，本发明应用于稀疏编码的方法(A Larger Coefficients Emphasis Frameworkfor Sparse Representation, LCE-SRC),包括步骤(a) - (e): a:首先提取I个测试样本的特征，将其表示为一个列向量，同样也提取k个训练样本的特征，将其表示为k列的矩阵； b:用主成分分析方法(PCA)将测试样本列向量和训练样本矩阵的每个列向量降维至m维，所以得到m维的测试样本列向量和大小为mXk的训练样本矩阵，其中，称降维后的训练样本矩阵为训练样本字典；c:稀疏表示:
2.根据权利要求1所述的一种基于较大编码系数强化的稀疏编码方法，其特征在于，本发明应用于鲁棒稀疏编码的方法(A Larger Coefficients Emphasis Framework forRobust Sparse Coding, LCE-RSC),包括步骤(f) - (m): f:首先提取I个测试样本的特征，将其表示为一个列向量，同样也提取k个训练样本的特征，将其表示为k列的矩阵； g:用主成分分析方法(PCA)将测试样本列向量和训练样本矩阵的每个列向量降维至m维，所以得到m维的测试样本列向量和大小为mXk的训练样本字典矩阵；h:令t=l ;求权值矩阵W ; 定义初始冗余误差yra(t)为所有训练样本的平均值；
全文摘要
本发明提供了一种基于较大编码系数强化的稀疏编码方法，方法流程为首先构造测试样本列向量和训练样本矩阵。第二，用主成分分析方法(PCA)将两者降维,降维后的训练样本矩阵也叫做字典。第三，将测试样本列向量表示为字典的线性组合，表示系数为稀疏编码系数。最后，字典与每一类对应的稀疏编码系数相乘，得到每一类的重构样本，然后将测试样本和重构样本相减，得到标准重构误差；同样选择其中较大的一部分编码系数，将字典与之相乘，也得到一种重构样本，然后将测试样本和重构样本相减，得到另一种重构误差，两类误差的最小值对应的类别即为测试样本所属类别。经大量实验验证，本发明在人脸识别中得到了应用，识别率很高，有很好的性能与适用性。
文档编号G06K9/66GK103226714SQ201310168219
公开日2013年7月31日 申请日期2013年5月9日 优先权日2013年5月9日
发明者江铭炎, 潘婷婷, 贲晛烨, 李斐, 张鹏, 孙孟磊 申请人:山东大学