一种基于子空间分析的新型分类识别算法的制作方法

本发明涉及一种分类识别算法，尤其是涉及一种基于子空间分析的新型分类识别算法。

背景技术：

随着模式识别、机器学习、人工智能等领域的不断发展和新技术的不断涌现，分类算法得到了长足的发展。作为模式识别的最后一个环节，分类识别是至关重要的。这个阶段的工作就是设计分类器，将待识别的图像特征与训练样本图像特征进行匹配，获得分类结果。在无监督学习的分类器设计中，最近邻(NN，NearestNeighbor)思想应用最为广泛。其主要原则是如果一个样本在特征空间中的最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。后来衍生出来的最近特征线(Nearest Feature Line，NFL)和最近特征面(Nearest Feature Plane，NFP)以及最近特征子空间(Nearest Feature Subspace，NFS)算法都是这一思想的具体实现，都是计算测试样本到训练样本组成区域(点线面子空间)的最短距离。基于监督学习的分类器有支持向量机和神经网络的分类器，需要很长训练时间，且当样本不充分时容易陷入局部最小。

近些年来，出现了一类基于线性稀疏表示的分类器，给模式识别特别是人脸识别注入了新的活力。它利用信号稀疏表示特点进行模式识别分类，有很好的鲁棒性。从表示的角度来看，NN，NFL，NFP都可以看成是稀疏表示，只不过它们是稀疏度分别是已经知道，而SRC是稀疏度自适应。文献研究发现各类样本间的协同表示才是SRC算法取得成功的关键，提出了基于l2范数的协同表示分类，它利用不同样本之间相似性竞争获得较好的识别效果，有较高的鲁棒性，由于采用l2范数其识别速度明显提高。Vincent和Bengio认为高维空间中的样本位于低维样本流形上，并且局部保持着线性结构，提出局部超平面距离和局部凸距离的最近邻分类算法。

技术实现要素：

本发明专利提出来一种可以在微型控制器上实现的一种基于子空间分析的新型分类识别算法，算法复杂度低，对硬件要求不高，识别速度快，精度高，性能稳定。

一种基于子空间分析的新型分类识别算法，对人脸样本信号，设计人脸分类器，任意一个给定图像块有m×n像素，其拉直后有x∈R^N×1，这里N＝m×n，给定J类样本每类有L_j个样本，Ω_j表示第j类样本投影矩阵，X_j代表第j类训练样本，X_j^*代表第j类训练样本以外的其他类样本，Ω_j^*表示第j类样本投影矩阵外的其他投影矩阵；

令对L_j≤N由下式决定

定义

其中，

因此

其中，属于对称向量R_j所对应的N个归一化特征向量集合{±V_j(：，n)}，

这里并且γ_n≥γ_n+1，其受如下约束rank(Ω_j)＝L_j，式(1)的解如下：

设计

其中，L_j满足γL_j≥0并且γL_j+1<0；

其分类结果由下式决定

作为优选，当每个Ω_j有L重复的行，是独立L；如果L＝1，是X_j的零空间，如果测试图像x属于这个零空间，正交与由于Ωjx＝0，那么x就归类到第j类。

作为优选，Ω_j要充分能张成X_j的零空间得到的列向量。

作为优选，当α＝0，Ω_jX_j＝0变换仅仅基于X_j的零空间。

作为优选，α的大小为：0≤α<1。

作为优选，L≤N-r_j设置不同维度的Ω_j，对设L_j≤N-r_j

作为优选，当r_j＜＜N用下式设计Ω_j

则分类器用下式实现

作为优选，j₀最终识别结果ε是很小数值，防止被除数是0。

本发明借鉴稀疏性分析模型和支持向量机的思想，提出了子空间分析分类器，它设计J类分类器组合，对每个分类器组，把匹配的测试样本投影到零点附近，而不匹配的样本投影到离零点尽可能远处；然后根据最近邻原理进行分类判别。本发明分类器参数设置少，在ORL人脸识别数据库上实验结果充分证实了信号子空间分析分类算法利及其人脸识别应用识别速度快，识别性能稳定，其识别性能优于传统分类器性能。

附图说明

图1为ORL数据库中的部分人脸图像；

图2为ORL库对于不同训练样本数不同压缩率识别率曲线图。

具体实施方式

下面结合具体实施例对本发明作进一步说明，但本发明所要保护的范围并不 限于此。

一种基于子空间分析的新型分类识别算法，对人脸样本信号，设计人脸分类器：

令对L_j≤N由下式决定

要解决上述问题，定义

注意

因此

这说明属于对称向量R_j所对应的N个归一化特征向量集合{±V_j(：，n)}，这里

这里并且γ_n≥γ_n+1，其受如下约束rank(Ω_j)＝L_j，式(1)的解如下：

可以这样设计

这里L_j满足γL_j≥0并且γL_j+1<0；

其分类结果由下式决定

当每个Ω_j有L重复的行，是独立L；如果L＝1，是X_j的零空间，那么，如果测试图像x属于这个零空间，正交与由于Ω_jx＝0，那么x就归类到第j类。因此Ω_j要充分能张成X_j的零空间得到的列向量，因此约束rank(Ω)＝L是高效变换的必要条件。

当α＝0，Ω_jX_j＝0变换仅仅基于X_j的零空间。对于小α(0≤α<1)，可以得到更鲁棒Ω_j。

参数L选择非常重要，L越大，结果越好。L≤N-r_j，可以设置不同维度的Ω_j，对可以设L_j≤N-r_j，

当r_j＜＜N，可以用下式设计Ω_j

类似，分类器可用下式实现

任意一个给定图像块有m×n像素，其拉直后有x∈R^N×1，这里N＝m×n，给定J类样本每类有L_j个样本，Ω_j表示第j类样本投影矩阵，X_j代表第j类训练样本，X_j^*代表第j类训练样本以外的其他类样本，Ω_j^*表示第j类样本投影矩阵外的其他投影矩阵；j₀最终识别结果ε是很小数值，防止被除数是0。

实验仿真

将子空间分析分类分类器用于人脸识别。为验证子空间分析分类的分类性能及人脸识别应用的有效性，实验选择在ORL人脸数据库上对该分类器与KNN、线性支持向量机，协同表示l₀,l₁,l₂，独立表示进行测试比较。在各实验中，支持 向量机均采用二叉树结构方法将多类分类问题转化。

ORL人脸数据库由剑桥大学ATT实验室创建，该数据库包含40个人，每个人10张在不同时间段，不同光照条件，不同表情(表情包含笑与不笑)和不同饰物(主要指佩戴眼镜与不佩戴眼镜)下的正面人脸图像。所有的图像都是在相同的背景下拍摄。每幅人脸图像包含92*112个像素，每个像素的灰度级为256。图1给出了ORL数据库中的部分人脸图像。该库中的人脸图像摄于不同时期，具有光照、表情如睁眼、闭眼、微笑、不笑，细节如戴眼镜、不戴眼镜等的变化。图1为标准人脸库的人脸例图。实验首先将全部图像进行格式转换，并双三次插值缩至32*32。

不同参数α与压缩难度的比较结果如表1所示：

表1

从表1可以看出，基于子空间分析识别率在α基本在0附近有很高的识别率。并且同样的α识别率随压缩维度增加总体上成上升趋势。

ORL库PCA压缩不同分类器算法比较如表2所示：

表2

可以看出不同算法在压缩维度增加情况下总体识别率成上升趋势，基于子空间分析算法在压缩维度较高的情况下识别性能最好，其稳定性也远远高于其它分类器。

ORL库对于不同训练样本数不同压缩率识别率曲线如图2所示，可以看出，对ORL库，随着样本增加，总体识别率成上升趋势，随着压缩维度增加，识别率也有一定上升。

本发明将子空间分析分类器用于人脸识别，在ORL人脸识别数据库上的实验中，子空间分析分类器表现出了优于传统分类器的分类性能。在小样本数据实验中，它具有识别速度快，精度高，占用内存小，不需要长时间训练的特点。实验结果充分证实了子空间分析分类器的可行性和有效性。