1.一种基于测地映射分析的核稀疏描述人脸识别方法,其步骤是:1)、把人脸图像分成无数个像素点和无数条弧线,并在无数条弧线围成的区域内选择任意两个像素点,且其中一个作为参考点;2)、连通黎曼流形的两点之间的距离是连接两点的曲线的最小长度,通过这个最小值的曲线得出测地线;3)、通过对数和指数映射将通过参考点的测地线变换成切向空间上的直线,保持与曲线相似的距离,通过主要测地分析,获得用于人脸识别的GMA分类特征;4)、使用非线性模型进行稀疏描述,通过非线性映射将切向空间中的数据向量转换为较高维特征空间;5)、使用内核技巧在GMA特征空间实现稀疏建模。2.根据权利要求1所述的基于测地映射分析的核稀疏描述人脸识别方法,其特征是:步骤3)中:根据微分方程理论,通过参考点x∈M,存在唯一的测地线,其切线向量为
将切线向量映射到测地线从x到流形上的点的函数称为指数映射,如下式所示:Expx:TXM→M (1)
其中Υ(t)为测地线,将TXM的原点映射到x点,即Expx(0)=x;对于每个像素点x∈M,在TXM到邻域间存在指数映射的逆运算Logx=Expx-1,被称为对数映射。3.根据权利要求1所述的基于测地映射分析的核稀疏描述人脸识别方法,其特征是:步骤3)中:主要测地分析是欧几里德空间主成分分析的泛化和扩展,集合的平均值
为μ,由最小化平方距离函数之和给出:其中d(x,y)=||logx(y)||表示黎曼度量;通过梯度下降算法来计算平均值:其中,系数λi,k计算如下:将样本i的GMA特征νi定义为:将测试数据投影到该子流形上以获得用于人脸识别的GMA分类特征,其使用以下度量:上述测度可由协方差矩阵和pt的广义特征值ki给出,即:则核降维投影矩阵为R=[u1u2…ud],其中第k个特征向量为因此式(17)可转化为:[u1u2...ud]Tφ(l)=[u1u2...ud]TΨα (26)上式可简化为:Rβω=RβKα (29)其中ω=[φ(v1)Tφ(l) ......φ(vn)Tφ(l)]T,K为核格拉姆矩阵Ki,j=φ(vi)T,Rβ为核降维矩阵。如果α的解足够稀疏,求解L0范数的最小化就等价于求解如下L1范数的优化问题:并根据噪声对稀疏模型的影响,进一步修改优化问题。