买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东技术师范大学

摘要：本发明公开了一种基于判别共享邻域保持的极限学习机人脸降维方法，包括如下步骤：S1、图像预处理：对人脸图像采集模块采集到的人脸图像进行尺度归一化处理；S2、输入层：输入经过尺度归一化处理的人脸特征X；S3、隐含层：选用非线性激励函数，将单样本人脸特征X随机非线性映射到N维特征空间，变换得到特征HX；S4、输出层：固定特征HX；S5、样本数据库：存储经过降维处理的人脸样本数据t。本发明提出了SGRD‑ELM算法。SGRD‑ELM既考虑了样本的类别信息，又注重挖掘任意两个样本点的共享近邻信息，在样本数据降维到64维的情况下，实验结果对比LLE方法的人脸识别率平均提高了10％‑14％，对比了US‑ELM方法的人脸识别率平均提高了6％‑8％。

主权项：1.一种基于判别共享邻域保持的极限学习机人脸降维方法，其特征在于：包括如下步骤：S1、图像预处理：对人脸图像采集模块采集到的人脸图像进行尺度归一化处理；S2、输入层：输入经过尺度归一化处理的人脸特征X；S3、隐含层：选用非线性激励函数，将单样本人脸特征X随机非线性映射到N维特征空间，变换得到特征；S4、输出层：固定特征，首先，选用经典的Dijkstra算法来计算样本点间的测地距离，在测地距离中加入或减去带有权重的类别距离，得到基于判别信息的新的测地距离，对其进行升序排列；然后，通过Rank-order距离计算任意两个样本点间的共享的邻域信息，从而获得拥有判别信息的GeodesicRank-order距离；最后，归一化SGRD距离，利用其寻找出样本点的邻域，从而计算出样本点的稀疏邻域重构权值矩阵；设定输出特征t的维数m小于输入特征X的维数d，利用方程组求解方式得到隐含层和输出层的连接权值，从而得到SGRD-ELM降维输出模型为;实现具体如下：步骤S41、构建邻接图G:首先，计算数据集X所有样本点间的欧式距离，即计算样本点与样本点之间的欧氏距离;其次，将计算得到的全局样本点间的欧氏距离放到邻接图G,邻接图G中代表了样本点与样本点之间的欧氏距离；最后，为了合理构建邻接图G，一般基于先验知识设定一个阈值；若小于阈值,的值保持不变；否则，的值定义为无穷；步骤S42、在邻接图G中，通过Dijsktra算法计算数据集X内各样本点间的测地距离，获得所有样本点的测地距离矩阵;根据样本点的类别信息，对测地距离矩阵中的作相应的修改；若对应的两个样本点不属于同类，则的值修改为：；若对应的两个样本点属于同类，则的值修改为：；其中，表示不同样本点的最大类间距离，表示同类样本点的最小类间距离，为距离权重参数，取值在0-1之间；对修改后的测地距离矩阵，作升序排列处理；任意两个样本点和之间Rank-order距离的计算函数描述为：；其中，表示样本点的第个近邻样本;代表了样本点在样本点的邻域列表中的位置，即是的第几个最近邻点；若任意两个样本点和之间非对称Rank-order距离越小，则说明和的邻域结构越相似，即意味着它们在空间的真实距离越相近；步骤S43、计算得到对称且归一化的基于判别信息GeodesicRank-order距离; ,利用找到样本点的近邻点，则重构权值矩阵W的计算公式为： ,将计算得到的全局重构权值矩阵W,作维的稀疏变换便可得到稀疏邻域重构权值矩阵，N为样本个数；步骤S44、基于判别共享邻域保持的极限学习机人脸降维模型：SGRD-ELM的目标函数为：,其中，基于判别信息GeodesicRank-order的图拉普拉斯矩阵的计算公式为：,目标函数第二项为基于判别信息和近邻共享信息的正则项，该项的作用是使得隐含层输出的人脸特征更好保持原数据的原始近邻结构，为正则项系数，为矩阵的迹；同时，引入约束项解决模型求解出现平凡解的问题，为单位矩阵；步骤S45、用拉格朗日乘子法对步骤44的模型进行求解，可得到最小的m个特征值及对应的特征向量A，从而计算出隐含层和输出层的连接权值,;步骤46当m小于d时，便可实现对人脸特征的降维，则流形保持的显式降维模型为：；S5、样本数据库：存储经过降维处理的人脸样本数据t。

全文数据：

权利要求：

百度查询： 广东技术师范大学 一种基于判别共享邻域保持的极限学习机人脸降维方法