本發(fā)明隸屬于模式識別技術(shù)領(lǐng)域，具體地說，涉及一種基于核空間自解釋稀疏表示的分類器設(shè)計方法。

背景技術(shù)：
模式識別過程通常包含兩個階段，第一個階段是特征提取，另一個是構(gòu)造分類器和標(biāo)簽預(yù)測。分類器設(shè)計(ClassifierDesign)作為模式識別系統(tǒng)的一個重要環(huán)節(jié)，一直以來都是模式識別領(lǐng)域研究的核心問題之一。目前，主要的分類器設(shè)計方法有以下幾種。1、支持向量機方法(英文：SupportVectorMachine)支持向量機方法是CorinnaCortes和Vapnik等于1995年首先提出來的，它旨在通過最大化類別間隔建立最優(yōu)分類面。該類方法在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢。然而，該類分類器只有少量的邊界點(即支持向量)參與到分類面建立，如果邊界點分布的位置不好，那么對于分類是十分不利的。2、基于稀疏表示的多類分類方法(英文：SparseRepresentationbasedClassifier)基于稀疏表示的多類分類方法是由J.Wright等人于2009年提出的，該分類方法首先將測試樣本在所有訓(xùn)練集上進行稀疏編碼，然后根據(jù)產(chǎn)生最小編碼誤差的類別決定分類結(jié)果。該分類方法在多類分類中取得了很大的成功，然而，該分類方法沒有訓(xùn)練的過程，直接將每類訓(xùn)練樣本構(gòu)造相應(yīng)子空間，并沒有考慮該分類樣本中每個個體對構(gòu)造子空間的貢獻，容易產(chǎn)生較大的擬合誤差。3、基于協(xié)同表示的多類分類方法(英文：CollaborativeRepresentationbasedClassifier)基于協(xié)同表示的多類分類方法是由zhang等人于2011年提出，該分類方法首先將測試樣本在所有訓(xùn)練集上進行協(xié)同表示，然后根據(jù)產(chǎn)生最小編碼誤差的類別決定分類結(jié)果。該分類方法在某些數(shù)據(jù)集上性能優(yōu)于基于稀疏表示的多類分類方法。同樣地，該分類方法沒有訓(xùn)練的過程，直接將每類訓(xùn)練樣本構(gòu)造相應(yīng)子空間，容易產(chǎn)生較大擬合誤差，導(dǎo)致分類性能不高。4、基于詞典學(xué)習(xí)的多類分類方法基于詞典學(xué)習(xí)的多類分類方法是由Yang等人于2010年提出，該分類方法彌補了傳統(tǒng)的基于稀疏表示的多類分類方法容易產(chǎn)生較大擬合誤差導(dǎo)致分類準(zhǔn)確率不高的問題，然而，該分類方法只能在歐式空間中進行，很難處理具有非線性結(jié)構(gòu)的數(shù)據(jù)，使其使用范圍大大受限。由上可知，現(xiàn)有的分類器設(shè)計方法均存在擬合誤差比較大以及特征的非線性結(jié)構(gòu)缺失而導(dǎo)致分類精確度不高的問題。

技術(shù)實現(xiàn)要素：
本發(fā)明針對現(xiàn)有分類器設(shè)計方法設(shè)計的分類器存在擬合誤差大、精確度不高的上述不足，提供一種基于核空間自解釋稀疏表示的分類器設(shè)計方法。一方面，本發(fā)明考慮了特征的非線性結(jié)構(gòu)，能夠更加精確的對特征進行稀疏編碼，另一方面，本發(fā)明通過學(xué)習(xí)的方式訓(xùn)練詞典，有效地降低擬合誤差。從而大大提升分類器的性能。本發(fā)明的技術(shù)方案是：一種基于核空間自解釋稀疏表示的分類器設(shè)計方法，含有以下步驟：步驟一：設(shè)計分類器，其步驟為：(一)讀取訓(xùn)練樣本，訓(xùn)練樣本一共C類，定義X＝[X1,X2,…,Xc,…,XC]∈RD×N表示訓(xùn)練樣本，D是人臉特征維度，N是訓(xùn)練樣本總的數(shù)目，X1,X2,…,Xc,…,XC分別表示第1,2,…,c,…,C類樣本，定義N1,N2,…,Nc,…,NC分別表示每類訓(xùn)練樣本數(shù)目，則N＝N1+N2+…+Nc+…+NC；(二)對訓(xùn)練樣本進行二范數(shù)歸一化，得到歸一化的訓(xùn)練樣本；(三)依次取出訓(xùn)練樣本中的每一類，并對該類樣本訓(xùn)練詞典，訓(xùn)練詞典的過程為：(1)取出第c類樣本Xc,將Xc映射到核空間φ(Xc)；(2)根據(jù)φ(Xc)訓(xùn)練基于稀疏編碼算法的詞典Bc，Bc表示第c類樣本學(xué)習(xí)到的詞典，該詞典的訓(xùn)練需要滿足約束條件，所述約束條件的目標(biāo)函數(shù)為：式中，α為稀疏編碼算法中稀疏項約束的懲罰系數(shù)，Sc為第c類核空間訓(xùn)練樣本的稀疏表示矩陣，K為學(xué)習(xí)得到的詞典的大小，是一個權(quán)重矩陣，其每一列表示核空間樣本對構(gòu)造詞典中每個詞條的貢獻大小，詞典Bc＝φ(Xc)Wc；(3)對步驟(2)中約束條件的目標(biāo)函數(shù)進行求解，即對公式(1)求解，其求解過程為：固定Wc，更新Sc；隨機產(chǎn)生矩陣Wc，將其帶入約束條件的目標(biāo)函數(shù)，這時該目標(biāo)函數(shù)轉(zhuǎn)化成為一個l1范數(shù)正則化最小二乘問題，即目標(biāo)函數(shù)轉(zhuǎn)化為：上述公式(2)可以簡化為：κ(Xc,Xc)＝<φ(Xc),φ(Xc)>為核函數(shù)。進一步把公式(3)分解成一系列子問題求解；針對Sc中的每一個元素進行求解，并剔除掉與求解無關(guān)的項，則公式(3)可以簡化為：根據(jù)拋物線理論，很容易求出公式(4)的解；由于每個樣本點是獨立的，每次求解Sc的一行，其求解公式如下：式中，E＝Wc^Tκ(Xc,Xc)Wc遍歷Sc的每一列，完成Sc的一次更新；(4)固定步驟(3)中更新后的Sc，更新Wc，這時約束條件的目標(biāo)函數(shù)轉(zhuǎn)換為一個范數(shù)約束的最小二乘問題，即目標(biāo)函數(shù)轉(zhuǎn)化為：上述公式(6)采用拉格朗日乘子的方法求解，最終求得的解為：式中，F(xiàn)＝ScScT,(5)交替迭代步驟(3)和步驟(4)，最終得到最優(yōu)稀疏編碼詞典Bc＝φ(Xc)Wc；(6)按照步驟(1)至(5)獲得每類樣本的最優(yōu)稀疏編碼詞典，將每類樣本得到的最優(yōu)稀疏編碼詞典放在一起，獲得詞典B＝[B1,…,Bc,…,BC]；步驟二：對樣本進行分類，其步驟為：(1)讀取待識別測試樣本的圖像特征，并對圖像特征進行二范數(shù)歸一化，定義y∈RD×1表示一幅待識別的測試樣本圖像特征；(2)將測試樣本圖像特征y映射到核空間φ(y)；(3)使用步驟一中獲得的詞典B，對核空間φ(y)進行擬合，擬合函數(shù)為：式中s表示核空間中測試樣本圖像特征y的稀疏編碼；(4)步驟(3)中的擬合函數(shù)進行求解，求解結(jié)果為：式中，s＝[s1,…,sc,…,sC]；(5)求核空間φ(y)在每類樣本所構(gòu)成子空間的擬合誤差，用r(c)表示，其表達(dá)式為：(6)比較核空間φ(y)和每類樣本的擬合誤差，待識別圖像則屬于擬合誤差最小的那個類別。本發(fā)明的有益效果是：本發(fā)明結(jié)合核技巧和詞典學(xué)習(xí)方法，設(shè)計多類分類器，讀取訓(xùn)練樣本，將訓(xùn)練樣本進行非線性變換，變換到高維的核空間，然后在高維核空間對每一類訓(xùn)練樣本進行學(xué)習(xí)，找出該類訓(xùn)練樣本中每個個體對于構(gòu)造該類訓(xùn)練樣本子空間所做的貢獻(即權(quán)重)，該類訓(xùn)練樣本與權(quán)重矩陣的乘積構(gòu)成詞典，將所有類別的詞典依次排列構(gòu)成一個大的詞典矩陣；對測試樣本通過詞典矩陣獲得該測試樣本在核空間的稀疏編碼，即測試樣本在詞典矩陣的擬合系數(shù)，用每一類的詞典及詞典所對應(yīng)的的稀疏編碼擬合測試樣本，并計算該擬合誤差；最后，擬合誤差最小的類即為測試樣本的類別，實現(xiàn)了對每個輸入測試樣本進行分類。與現(xiàn)有技術(shù)相比，一方面，本發(fā)明考慮了特征的非線性結(jié)構(gòu)，能夠更加精確的對特征進行稀疏編碼，另一方面，本發(fā)明通過學(xué)習(xí)的方式訓(xùn)練詞典，有效地降低擬合誤差。從而大大提升分類器的性能。附圖說明圖1為本發(fā)明具體實施例設(shè)計分類器的流程圖。圖2為本發(fā)明具體實施例對樣本進行分類的流程圖。具體實施方式下面結(jié)合一個仿真實例并結(jié)合附圖對本發(fā)明作出進一步說明。一種基于核空間的分類集中稀疏表示的分類器設(shè)計方法，含有以下步驟：步驟一：設(shè)計分類器，其步驟為：(一)讀取訓(xùn)練樣本，訓(xùn)練樣本一共C類，定義X＝[X1,X2,…,Xc,…,XC]∈RD×N表示訓(xùn)練樣本，D是人臉特征維度，N是訓(xùn)練樣本總的數(shù)目，X1,X2,…,Xc,…,XC分別表示第1,2,…,c,…,C類樣本，定義N1,N2,…,Nc,…,NC分別表示每類訓(xùn)練樣本數(shù)目，則N＝N1+N2+…+Nc+…+NC；(二)對訓(xùn)練樣本進行二范數(shù)歸一化，得到歸一化的訓(xùn)練樣本；(三)依次取出訓(xùn)練樣本中的每一類，并對該類樣本訓(xùn)練詞典，訓(xùn)練詞典的過程為：(1)取出第c類樣本Xc,將Xc映射到核空間φ(Xc)；(2)根據(jù)φ(Xc)訓(xùn)練基于稀疏編碼算法的詞典Bc，Bc表示第c類樣本學(xué)習(xí)到的詞典，該詞典的訓(xùn)練需要滿足約束條件，所述約束條件的目標(biāo)函數(shù)為：式中，α為稀疏編碼算法中稀疏項約束的懲罰系數(shù)，Sc為第c類核空間訓(xùn)練樣本的稀疏表示矩陣，K為學(xué)習(xí)得到的詞典的大小，是一個權(quán)重矩陣，其每一列表示核空間樣本對構(gòu)造詞典中每個詞條的貢獻大小，詞典Bc＝φ(Xc)Wc；(3)對步驟(2)中約束條件的目標(biāo)函數(shù)進行求解，即對公式(1)求解，其求解過程為：固定Wc，更新Sc；隨機產(chǎn)生矩陣Wc，將其帶入約束條件的目標(biāo)函數(shù)，這時該目標(biāo)函數(shù)轉(zhuǎn)化成為一個范數(shù)正則化最小二乘問題，即目標(biāo)函數(shù)轉(zhuǎn)化為：上述公式(2)可以簡化為：κ(Xc,Xc)＝<φ(Xc),φ(Xc)>為核函數(shù)。進一步把公式(3)分解成一系列子問題求解；針對Sc中的每一個元素進行求解，并剔除掉與求解無關(guān)的項，則公式(3)可以簡化為：根據(jù)拋物線理論，求出公式(4)的解；由于每個樣本點是獨立的，每次求解Sc的一行，其求解公式如下：式中，E＝Wc^Tκ(Xc,Xc)Wc遍歷Sc的每一列，完成Sc的一次更新；(4)固定步驟(3)中更新后的Sc，更新Wc，這時約束條件的目標(biāo)函數(shù)轉(zhuǎn)換為一個范數(shù)約束的最小二乘問題，即目標(biāo)函數(shù)轉(zhuǎn)化為：上述公式(6)采用拉格朗日乘子的方法求解，最終求得的解為：式中，F(xiàn)＝ScScT,(5)交替迭代步驟(3)和步驟(4)，最終得到最優(yōu)稀疏編碼詞典Bc＝φ(Xc)Wc；(6)按照步驟(1)至(5)獲得每類樣本的最優(yōu)稀疏編碼詞典，將每類樣本得到的最優(yōu)稀疏編碼詞典放在一起，獲得詞典B＝[B1,…,Bc,…,BC]；步驟二：對樣本進行分類，其步驟為：(1)讀取待識別測試樣本的圖像特征，并對圖像特征進行二范數(shù)歸一化，定義y∈RD×1表示一幅待識別的測試樣本圖像特征；(2)將測試樣本圖像特征y映射到核空間φ(y)；(3)使用步驟一中獲得的詞典B，對核空間φ(y)進行擬合，擬合函數(shù)為：式中s表示核空間中測試樣本圖像特征y的稀疏編碼；(4)步驟(3)中的擬合函數(shù)進行求解，求解結(jié)果為：式中，s＝[s1,…,sc,…,sC]；(5)求核空間φ(y)在每類樣本所構(gòu)成子空間的擬合誤差，用r(c)表示，其表達(dá)式為：(6)比較核空間φ(y)和每類樣本的擬合誤差，待識別圖像則屬于擬合誤差最小的那個類別。通過本發(fā)明上述方法可以對每個輸入測試樣本進行分類，一方面本發(fā)明考慮了特征的非線性結(jié)構(gòu)，能夠更加精確的對特征進行稀疏編碼，另一方面，本發(fā)明通過學(xué)習(xí)的方式訓(xùn)練詞典，有效地降低擬合誤差。從而大大提升分類器的性能。以上所舉實施例僅用為方便舉例說明本發(fā)明，并非對本發(fā)明保護范圍的限制，在本發(fā)明所述技術(shù)方案范疇，所屬技術(shù)領(lǐng)域的技術(shù)人員所作各種簡單變形與修飾，均應(yīng)包含在以上申請專利范圍中。