对人脸识别中小样本数据集缺少分布信息难以获得鲁棒图像表示问题,提出深度子空间联合稀疏表示单样本人脸识别算法。首先,使用深度加权子空间构建抽象特征描述网络,获得单样本人脸深层抽象描述子。进而利用样本类间差异信息,引入邻域排斥度量学习实现低维度有鉴别力特征提取。最后基于协同表示分类器完成模式分类。在FERET、ORL、Multi_PIE等数据库上验证本文算法在单样本人脸识别问题上的有效性,鉴于深度子空间强大的特征描述能力,即使训练样本集很小,依然可以保证训练样本能够紧凑的表示有变化的测试样本。 ，因此本文基于CＲC完成模式分类。1深度加权子空间模型深度子空间继承自深度学习思想，以预定义的无监督子空间映射核代替有监督的自适应卷积核，网络层级结构简单，一般只有2～3层，通过单向前馈网络和非线性映射提取鲁棒的高水平图像表示。其中基础的网络模型PCANet模型。1单样本人脸识别算法-数控滚圆机滚弧机折弯机张家港电动钢管滚圆机滚弧机．1加权PCANet模型2015年Chan等提出的无监督深层子空间PCANet模型［17］，如图1所示。图1PCANet原理框图F第一层网络文章输入样本表示为珔Xi，尺寸为m×n本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/，首先对图片进行块采样，采样块大小设置为k1×k2，采用去均值标准化操作，得到特征中心化后第i张图片的输入数据:珚特征提取的核心在于学习卷积矩阵，这里以重构误差作为损失函数，学习2DPCA滤波核，minV∈Ｒk1k2×L1‖X－VVTX‖2Fs．t．VTV=IL1，(2)其中，V表示卷积矩阵，L1是第一层网络滤波器的数量，对应的2DPCA滤波器为W1l=matk1，k2(ql(XXT))∈Ｒk1×k2，l=1，2，…，L1，(3)W1l为第一层网络的第l个映射矩阵，大小为k1×k2，为了消除PCA特征空间中较大特征值对应的特征向量对分类结果的影响，本文使用加权子空间方法构建深度特征提取多层网络，数据库取自40个人，共400张人脸图像。OＲL数据库中的人脸图像着重于变现表情上的干扰，每人也包含一张正面中性表情人脸图像作为训练样本，剩余9张主要是有表情干扰，本文选取其中5张作为测试样本。Multi_PIE子集人脸数据库包含来自129人的尺寸为240×280的1419张人脸图像，主要涉及姿态和表情因素的干扰。每人也包含一张正面中性表情人脸图像作为训练样本，选取剩余样本中5张作为测试样本。实验数据库示例样本如图3所示。图3实验数据库样例Fig加权子空间与度量学习性能分析本文在深度子空间模型的基础上，加入加权机制，将原有子空间转换到WPCA空间，特征映射矩阵个数L1=8，L2=8，映射核的大小也采用7×7。每层的输入进行块采样处理，块采样的大小为7×7。同时本文在深度子空间特征提取后联合近邻排斥度量学习，提取更有鉴别力的特征。本文在FEＲET、OＲL、Multi_PIE人脸数据库上进行测试。直方图分块中选择像素为0到255间间隔为4，重叠率为0．5的直方图采样，并对得到的直方图特征进行［421］空间金字塔池化，最后提取的特征为10752维，经度量学习后降维到400维。实验中采用CＲC分类器，实验对比结果由表1给出。单样本人脸识别算法-数控滚圆机滚弧机折弯机张家港电动钢管滚圆机滚弧机本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/