数据降维方法及基于数据降维方法的人脸识别方法
【技术领域】
[0001] 本发明涉及信息处理领域，具体涉及一种数据降维方法及基于数据降维方法的人 脸识别方法。
【背景技术】
[0002] 数据降维是指将高维空间中的数据降低到低维的空间中，以消除原有的数据冗余 性，提高数据的后续处理能力。传统数据降维主要是应用线性法。主分量分析和线性判定 分析是目前应用最为广泛的两种线性降维方法。尽管这两种方法理论成熟、计算快速，但仅 仅能够对具备线性结构的数据进行降维，难以直接用来处理大规模、高维且非线性的数据。
[0003] 经科学验证，高维数据的属性之间常常存在着一定的规律性和相关性，这种现象 直观上表现为高维空间中的样本点散布在低维空间中的一个流形上，这个流形揭示了数据 集的特性，并且由较低的固有维数。
[0004] 基于上述观点，理论上只要针对有限的、离散的数据样本进行学习，展开高维空间 中呈折叠状的弯曲面，发现并揭示数据潜在的拓扑结构，便能挖掘出隐含在低维流形中的 有用信息。对于图像、视频等数据都是高维的，导致后续处理能力下降，如何在确保不丢失 主要特性的前提下，尽可能地减缩维数成为一个研究热点。
[0005] 因此，如何提供一种数据降维方法，成为亟待解决的问题。
【发明内容】
[0006] 针对现有技术中的缺陷，本发明提供一种数据降维方法及基于数据降维方法的人 脸识别方法，解决了数据维数过高引起的后续处理能力下降的问题。
[0007] 第一方面，本发明提供一种数据降维方法，所述方法包括：
[0008] SI.对于D维空间Rd中的数据点集X = U1, X2，…，xN}，确定每个样本点Xi的K个 近邻点 Xil，Xi2，…，xiK ;
[0009] S2.根据每个样本点Xi的K个近邻点Xil, xi2,…，xiK计算所述每个样本点Xi的局 部重建权值矩阵W i= {wu, wi2，…，wiK};
[0010] S3.根据所述每个样本点X1的局部重建权值矩阵W1 = (W11, wl2,…，wlK}，将每个 样本映射到低维空间，映射条件为：
ε (Y)为损失函数值，yi 是Xi的输出向量，yii，yi；!，…，yii(是yi的K个近邻点，得到D维空间R d中的数据点集X = (X11X2, ...，χΝ}对应的d维空间Rd中的数据点集Y =匕…，...，yN}, d〈D。
[0011] 优选地，所述步骤S2包括：
[0012] S21.最优化式子
求解Wi = {wu, wi2,…，wiK}，其中
[0013] 将其转化为最优化式子
(Xll，X12，…xlK)，I为单位矩阵，Ot为0的转置矩阵；
[0014] S22.预先设定初始值W°和计算精度ε，ε >0 ;
[0015] S23.计算
.若 I IgJ |〈 ε ,则 Wi = W〇;否则,令 s〇 =-g。，k = 0 ;
[0016] S24.最优化下式，求解τ°，
[0018] S25.若I I gk+11 I〈 ε，结束迭代，否则，执行步骤S26 ;
[0019] S26.若 k〈K_l，令
[0020] k = k+1，执行步骤 S24 ;
[0021] 若 k = K-1，则 W° = Wn，执行步骤 S23。
[0022] 第二方面，本发明提供基于数据降维方法的人脸识别方法，所述方法包括：
[0023] 提取脸部信息，转化为数据信息；
[0024] 对所述数据信息进行数据降维处理；
[0025] 对降维后的数据进行最近邻分类器匹配，若匹配成功，不报警；否则，报警。
[0026] 由上述技术方案可知，本发明的数据降维方法解决了数据维数过高引起的后续处 理能力下降的问题，本发明所述数据降维方法采用保形映射思想，能够很好地保留数据结 构信息。另外，本发明所述的数据降维方法，不需要矩阵的逆运算，简化了计算，且扩大了应 用范围。本发明的基于数据降维方法的人脸识别方法，为图像后期的匹配处理提供了较大 的帮助，缩短了匹配时间、降低了匹配难度，使得人脸识别过程在较短的时间内准确实现。
【附图说明】
[0027] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 这些附图获得其他的附图。
[0028] 图1是本发明实施例一提供的数据降维方法的流程图；
[0029] 图2是本发明实施例三提供的基于数据降维方法的人脸识别方法的流程图。
【具体实施方式】
[0030] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0031] 本发明提出的数据降维方法，能够应用于图像、视频、音频等需要进行数据降维的 场合。
[0032] 图1示出了本发明实施例一提供的数据降维方法的流程图，如图1所示，本实施例 的数据降维方法如下所述。
[0033] 步骤101 :对于D维空间Rd中的数据点集X = (X1, X2,…，xN}，确定每个样本点Xi 的K个近邻点Xil, xi2,…，xiK。
[0034] 步骤102 :根据每个样本点Xi的K个近邻点Xil, xi2,…，xiK计算所述每个样本点Xi 的局部重建权值矩阵Wi = {wu, wi2，…，wiK}。
[0035] 步骤103 :根据所述每个样本点Xi的局部重建权值矩阵Wi = {wu, wi2,…，wiK}，将 每个样本点映射到低维空间，映射条件为：
ε (Y)为损失函 数值，Y1是X1的输出向量，yn，yl2，…，ylK是Y 1的K个近邻点，得到D维空间Rd中的数据点 集父=&1，12，~^}对应的(1维空间1^中的数据点集￥={71，7 2，~^}，(1〈0。
[0036] 由此，本实施例的数据降维方法，解决了数据维数过高引起的后续处理能力下降 的问题，本实施例所述数据降维方法采用保形映射思想，很好地保留了数据结构信息，且具 有良好的聚合性能。
[0037] 本发明实施例二提供了一种数据降维方法，如下所述：
[0038] 步骤201 :对于D维空间Rd中的数据点集X = U1, X2,…，xN}，确定每个样本点Xi 的K个近邻点Xil, xi2,…，xiK。
[0039] 步骤202 :根据每个样本点Xi的K个近邻点Xil, xi2,…，xiK计算所述每个样本点Xi 的局部重建权值矩阵Wi = {wu, wi2，…，wiK}。
[0040] 在本步骤中，按照以下方式计算每个样本点X1的局部重建权值矩阵W1 = Iwil, W12,…，WllJ :
[0041] 1.最优化式子