申请/专利权人：杭州电子科技大学

申请日：2023-03-15

公开（公告）日：2023-05-26

公开（公告）号：CN116168441A

主分类号：G06V40/16

分类号：G06V40/16;G06V10/82;G06V10/762;G06V10/77;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.06.13#实质审查的生效;2023.05.26#公开

摘要：本发明提出基于图正则化深度非负基矩阵分解算法的人脸识别方法。本发明采用深度分解并采用图像的拉普拉斯图保留人脸的内在结构，利用其非负性约束矩阵保证矩阵分解的非负性；利用拉普拉斯图的局部不变性，在降维得到的低维空间保持数据的局部结构；选择具有更强特征的基矩阵进行分解，学习到基于部分的表示具有更明显的局部特征。

主权项：1.基于图正则化深度非负基矩阵分解算法的人脸识别方法，其特征在于所述方法包括以下步骤：步骤S1：获取原始人脸图像X∈Rm*n，其中m是数据维度，n是数据点的数量；步骤S2：构建原始人脸图像的拉普拉斯图；步骤S3：采用深度学习的逐层分解原理对原始人脸图像X进行多层多次迭代分解，得到底层基矩阵Wl和系数矩阵Hl；其中l是分解的层数；具体是：3-1采用深度学习的逐层分解原理对原始图像X进行第k层分解，k＝1,2,…l，k是当前分解的层数，得到基矩阵Wk和系数矩阵Λk＝Hk···H1的乘积；具体是：3-1-1建立拉普拉斯图正则化约束系数矩阵的目标函数： 其中Hk是第k次分解得到的系数矩阵，Λk-1＝Hk-1···H1,H＝HkΛk-1,hi和hji,j∈[1,n]是H中的任一元素，Tr·表示矩阵的迹；上标T表示矩阵的转置；3-1-2构建图正则化深度非负基矩阵分解的目标函数 s.tWk≥0，Hk≥0式2其中α是正则化参数，用来平衡矩阵分解和图正则化过程；Wk是第k次分解得到的基矩阵，X表示原始人脸图像矩阵；3-1-3为得到两个非负矩阵因子的迭代式，建立上述目标函数的拉格朗日函数L： s.tWk≥0，Hk≥0式3其中Λk-1表示分解前k-1层系数矩阵的乘积； 设和φij≥0分别为拉格朗日乘子，并定义和Φ＝[φij]，则拉格朗日函数L定义为： 对公式5使用KKT条件分别对Wk和Hk求导，令其偏导数为0，对Wk和Hk进行迭代优化，得到k层最优的Wk、Hk：①随机初始化②根据公式6、7迭代更新直至目标函数2收敛； 其中t表示迭代次数；3-1-4对上一层分解得到的基矩阵Wk作为第k+1层的输入图像，重复3-1-3，分解得到最优的基矩阵Wk+1和系数矩阵Hk+1；3-2重复步骤3-1，直至得到l层最优的底层基矩阵Wl和系数矩阵Hl；步骤S4:将分解得到的l个系数矩阵进行相乘，得到人脸低维矩阵Λl；然后将人脸低维矩阵Λl作为K均值聚类的输入，利用K均值聚类法获得人脸标签，实现人脸识别。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于图正则化深度非负基矩阵分解算法的人脸识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD