1.一种基于加权的Huber约束稀疏编码的人脸识别方法,其特征在于,包括:采用回归分类器作为人脸识别的基础,引入L1正则约束,对查询样本y在训练样本集X的编码系数进行稀疏化,得到稀疏编码模型;
在所述稀疏编码模型的基础上,采用Huber损失函数替代L1保真项或L2保真项,得到稀疏鲁棒性编码模型;
根据训练样本集和查询样本y的残差获取训练样本集中各像素点的权重;在所述稀疏鲁棒性编码模型的基础上,利用所述权重以及Huber损失函数的阈值得到目标编码模型;所述目标编码模型为基于加权的Huber约束稀疏编码模型;所述训练样本集包括样本子集或样本全集;
根据所述目标编码模型中的编码系数获取查询样本y在训练样本集X中的残差向量;根据所述残差向量分析闭塞环境下查询样本的识别率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标编码模型中的编码系数获取查询样本y在训练样本集X中的残差向量中,所述残差向量为:e=[e1,e2,…,ei],i=1,2,…,c,其中ei=y-Xiθi;ei为查询样本的编码系数在第i个类别θi上的残差,由各个像素点残差构成。
3.根据权利要求1所述的方法,其特征在于,当查询样本y的编码系数θ在各个类别上的残差服从高斯分布时,所述稀疏编码模型为:其中λ是 范数的惩罚系数。
4.根据权利要求1所述的方法,其特征在于,当查询样本y的编码系数θ在各个类别上的残差服从拉普拉斯分布时,所述稀疏编码模型为:其中λ是 范数的惩罚系数。
5.根据权利要求1所述的方法,其特征在于,所述稀疏鲁棒性编码模型为:其中,g(z)是Huber损失函数,λ||α||1是 正则约束;并由z=y-Xθ以及α=θ对编码系数θ进行约束;并且, η为Huber损失函数的阈值。
6.根据权利要求1所述的方法,其特征在于,所述加权的Huber约束稀疏编码模型为:其中,g(z)是Huber损失函数,λ||α||1为 正则约束;并由s.t.z=W(Xθ-y)以及α=θ对编码系数θ进行约束;并且, W是像素点的权重,η是Huber损失函数的阈值。
7.根据权利要求6所述的方法,其特征在于,所述Huber损失函数的阈值以及像素点权重,用于在Huber损失函数中判断像素点保真项类型是使用 或是||y-Xθ||1。
8.根据权利要求1所述的方法,其特征在于,所述稀疏鲁棒性编码模型的基础上,利用所述权重以及Huber损失函数的阈值得到目标编码模型,其中,所述权重为W=diag([w1,w2,…,wm])∈Rm×m,wm是训练样本集X∈Rm×n中第m个像素点的权重,em是第m个像素点的残差;
wm对应的逻辑函数为:
其中,μ和δ是正标量,参数δ是分界点;当残差大于δ时,权重小于0.5;当残差等于δ时,权重等于0.5;当残差小于δ时,权重大于0.5。
9.根据权利要求1所述的方法,其特征在于,所述目标编码模型的算法实现过程,包括:设置残差为 其中 为当前训练样本集相同像素点的平均值;
对所述残差进行排序,利用公式 获取初始化权
重;
设置用于区分不同的类别的i=1∈[1,2,…,c];且设置迭代次数t=1;
采用ADMM求解子问题 得到更新后的编码系数为θk+1,其中,对应的迭代公式组合为:
θk+1=(ρ1XTWTWX十ρ2)-1[ρ1XTWT(zk-uk十y)十ρ2(αk-uk)]根据更新后的编码系数θk+1重构查询样本,并计算残差;
对计算后的残差排序,并按照公式 计算更新过后的权重;
若满足迭代条件 或t达到预先设定的迭代次数,则完成训练;否则将t更新为t+1,并返回采用ADMM求解子问题 继续执行;
第i类编码系数θi更新完后,更新i为i+1,直到更新所有的类别的编码系数θ。
10.根据权利要求2所述的方法,其特征在于,所述残差向量中最小的残差对应的类别为查询样本y的类别。