专利汇可以提供基于LRR图的半监督学习人脸识别方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于LRR图的半 监督学习 人脸识别 方法。其步骤为:(1)划分 数据库 样本集;(2)组成样本集合;(3)生成初始标签矩阵;(4)低秩表示;(5)生成样本相似度矩阵;(6)生成类别概率矩阵;(7)输出测试样本的类别。本发明采用 半监督学习 的方法可以在已知标签样本较少的情况下获得更高的识别正确率,同时,本发明采用低秩表示的方法,在样本受到噪声污染的情况下具有更强的鲁棒性。,下面是基于LRR图的半监督学习人脸识别方法专利的具体信息内容。
1.一种基于LRR图的半监督学习人脸识别方法,包括如下步骤:
(1)划分数据库样本集
将人脸图像集中所有已知标签的样本作为训练集,所有未知标签的样本作为测试集;
(2)组成样本集合
2a)将训练集中的样本按标签顺序依次排列在测试集样本前,组成原始样本矩阵;
2b)生成一个服从高斯分布的随机矩阵,将随机矩阵与原始样本矩阵相乘得到降维后的样本矩阵;
(3)生成初始标签矩阵
采用标签矩阵公式得到带标记样本的初始标签矩阵;
(4)低秩表示
采用非精确增广拉格朗日乘子法获得低秩系数矩阵;
(5)生成样本相似度矩阵
采用对称处理公式获得样本相似度矩阵;
(6)计算概率
采用图保持标准方法获得测试样本集的类别概率矩阵;
(7)输出类别
选取类别概率矩阵每一列的最大值,将最大值所在行的行标作为测试集样本的类别,输出测试集样本的类别。
2.根据权利要求1所述的基于LRR图的半监督学习人脸识别方法,其特征在于:步骤
2b)中所述的随机矩阵行数的取值范围为50~300。
3.根据权利要求1所述的基于LRR图的半监督学习人脸识别方法,其特征在于:步骤(3)所述的标签矩阵公式如下:
其中,Yi(k)为第i个样本在第k个类别中与k对应的值,i∈[1,M],M为训练样本总d×1
数,k∈[1,K],K为类别总数;xi∈R 为第i个样本,d为降维后的样本矩阵的维数。
4.根据权利要求1所述的基于LRR图的半监督学习人脸识别方法,其特征在于:步骤(4)中所述的非精确增广拉格朗日乘子法按照如下步骤进行:
第一步,将低秩系数矩阵和等价矩阵分别初始化为N×N的零矩阵,N表示训练集和测试集中所有样本的总数;将误差矩阵和两个拉格朗日乘子矩阵分别初始化为d×N的零矩阵,d为降维后的样本矩阵的维数;
-6
第二步,将用于控制等价矩阵的固有参数初始化为10 ;
第三步,采用下列公式更新等价矩阵:
其中,Jp代表更新后的等价矩阵;μ代表用于控制等价矩阵的固有参数;J代表更新前
2
的等价矩阵;||J|*表示矩阵J的核范数;Z代表低秩系数矩阵;Y 代表拉格朗日乘子矩阵;
表示矩阵F范数的平方;
第四步,采用下列公式更新低秩系数矩阵:
T -1 T T 1 2
Zp=(I+XX) (X(X-E)+Jp+(XY-Y)/μ)
其中,Zp代表更新后的低秩系数矩阵;I代表单位矩阵;X代表降维后的样本矩阵;T表-1 1 2
示转置符号;(*) 表示(*)的逆矩阵;E代表误差矩阵;Y 和Y 代表两个拉格朗日乘子矩阵;
第五步,采用下列公式更新误差矩阵:
其中,Ep代表更新后的误差矩阵;λ代表用于控制误差矩阵的控制参数;E代表更新前的误差矩阵;||*||2,1代表l2/l1范数;
第六步,采用下列公式分别更新拉格朗日乘子矩阵 其中,和
分别表示更新后的两个拉格朗日乘子矩阵;Y1和Y2分别表示更新前的两个拉格朗日乘子矩阵;
第七步,采用下列公式更新固有参数
6
μp=min(1.1×μ,10)
其中,μp为更新后的固有参数;μ为更新前的固有参数;min表示取两者中较小的值;
第八步,判断下列收敛表达式是否满足下列收敛条件,若满足,则得到最后的低秩系数矩阵,若不满足,则返回本步骤的第三步,
-8 -8
||X-XZp-Ep||∞<10 and||Zp-Jp||∞<10
其中,X代表样本矩阵;Zp代表更新后的低秩系数矩阵;Ep代表更新后的误差矩阵;Jp代表更新后的等价矩阵;||*||∞表示矩阵无穷范数。
5.根据权利要求1所述的基于LRR图的半监督学习人脸识别方法,其特征在于:步骤(5)中所述的对称处理公式如下:
Wij=max(Zij,Zji)
其中,Wij表示样本相似度矩阵W中第i行第j列的元素;Zij表示低秩系数矩阵Z中第i行第j列的元素,Zji表示低秩系数矩阵Z中第j行第i列的元素;max表示取括号内最大的值。
6.根据权利要求1所述的基于LRR图的半监督学习人脸识别方法,其特征在于,步骤(6)中所述的图保持标准方法按照如下步骤进行:
第一步,采用如下公式得到对角矩阵
Dii=∑jWij
其中,Dii表示对角矩阵D的第i行第i列的元素,i=1,2,...,N,N表示训练集和测试集样本的总数;Wij表示相似度矩阵W第i行第j列的元素,j=1,2,...,N,N表示训练集和测试集样本的总数;
第二步,将对角矩阵的对应元素减去样本相似度矩阵的对应元素得到特征矩阵;
第三步,采用下列公式得到测试样本集的类别概率矩阵
其中,Yu表示测试样本集的类别概率矩阵;Y表示训练样本集的初始标签矩阵;
M×T
Llu∈R 表示将特征矩阵划分成四个子矩阵后的右上矩阵,M表示训练样本总数,T表示测试样本总数; 表示将特征矩阵划分成四个子矩阵后的右下矩阵的逆矩阵。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种机器学习算法自动选择方法和系统 | 2020-05-12 | 161 |
一种移动式供热机组故障诊断方法 | 2020-05-17 | 61 |
一种基于Triple-GAN的分类方法 | 2020-05-11 | 739 |
锥束计算机断层扫描图像注册与重叠方法 | 2020-05-15 | 667 |
基于半监督学习的DPI数据中host的自动化挖掘方法及系统 | 2020-05-18 | 132 |
基于半监督学习算法的移动设备实体识别方法及装置 | 2020-05-12 | 243 |
一种室外场景三维彩色点云分类方法 | 2020-05-14 | 821 |
一种多示例学习框架下的鞋印图像检索方法及系统 | 2020-05-16 | 253 |
基于半监督学习的渣土车偷倒判别方法、系统和装置 | 2020-05-08 | 791 |
一种融合半监督学习和主动学习的搜索引擎用户满意度评估方法 | 2020-05-13 | 1013 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。