技術(shù)特征：
1.一種基于核空間自解釋稀疏表示的分類器設(shè)計(jì)方法，其特征在于：含有以下步驟：步驟一：設(shè)計(jì)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(jìn)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(xiàng)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(gè)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(gè)詞條的貢獻(xiàn)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(jìn)行求解，即對公式(1)求解，其求解過程為：固定Wc，更新Sc；隨機(jī)產(chǎn)生矩陣Wc，將其帶入約束條件的目標(biāo)函數(shù)，這時(shí)該目標(biāo)函數(shù)轉(zhuǎn)化成為一個(gè)關(guān)于Sc的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(jìn)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(gè)元素進(jìn)行求解，并剔除掉與求解無關(guān)的項(xiàng)，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；并且由于每個(gè)樣本點(diǎn)是獨(dú)立的，每次求解Sc的一行，其求解公式如下：式中，E＝WcTκ(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(shí)約束條件的目標(biāo)函數(shù)轉(zhuǎn)換為一個(gè)l2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(jìn)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(jìn)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(jìn)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(jìn)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(gè)類別。