(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210778966.2 (22)申请日 2022.07.04 (71)申请人 常州工业职业 技术学院 地址 213100 江苏省常州市武进区鸣新中 路28号 (72)发明人 周国华　卢剑伟　陆兵　 (74)专利代理 机构 常州市英 诺创信专利代理事 务所(普通 合伙) 32258 专利代理师 张秋月 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/774(2022.01) G06V 10/50(2022.01) G06V 10/28(2022.01) G06V 10/80(2022.01) (54)发明名称 一种邻域保持和嵌入正则化联合学习的人 脸表情识别方法 (57)摘要 本发明涉及机器视觉技术领域， 尤其涉及一 种邻域保持和嵌入正则化联合学习的人脸表情 识别方法， 包括使用训练集构造类内权重矩阵和 类间权重矩阵， 将最大类间隔准则融合到邻域保 持嵌入中， 保持投影低维空间内的类内紧凑性和 类间可分性； 将数据投影表示为一个线性回归， 通过嵌入正则化且施加以l2,1范式约束， 增强算 法的泛化性和鲁棒性； 并通过目标式的求解采取 梯度下降法， 将目标式的分解为2 个子问题， 同时 得到参数的最优解。 本发明解决NPE算法没有考 虑样本的判别信息以及不能充分利用非线性数 据的分布结构的问题； 解决深度学习算法高维空 间中的数据冗余问题， 以及当训练样本数远小于 输入数据的维数时， 分类 器的性能降低问题。 权利要求书3页 说明书11页 附图3页 CN 115100721 A 2022.09.23 CN 115100721 A 1.一种邻域保持和嵌入正则化联合学习的人脸表情识别方法， 其特征在于， 包括以下 步骤： 步骤一、 使用数据集构造类内权重矩阵和类间权重矩阵， 将最大类间隔准则融合到邻 域保持嵌入中， 保持投影低维空间内的类内 紧凑性和类间可分性； 步骤二、 将数据投影表示为一个线性回归， 通过嵌入正则化且施加以l2,1范式约束， 增 强算法的泛化性和鲁棒性； 并通过目标式的求解， 采取梯度下降法将目标式的分解为2个子 问题， 同时得到参数的最优解。 2.根据权利要求1所述的邻域保持和嵌入正则化联合学习的人脸表情识别方法， 其特 征在于， 所述类内权 重矩阵的公式为： 其中， xi， xj为第i个样本和第j个近邻样， li， lj分别表示xi， xj的类别标签。 3.根据权利要求1所述的邻域保持和嵌入正则化联合学习的人脸表情识别方法， 其特 征在于， 所述类间权 重矩阵的公式为： 其中， xi， xj为第i个样本和第j个近邻样， li， lj分别表示xi， xj的类别标签。 4.根据权利要求1所述的邻域保持和嵌入正则化联合学习的人脸表情识别方法， 其特 征在于， 所述 最大类间隔准则的公式为： 其中， Sb、 Sw分别为类内和类间权 重矩阵， Y表示低维子空间投影矩阵。 5.根据权利要求1所述的邻域保持和嵌入正则化联合学习的人脸表情识别方法， 其特 征在于， 所述嵌入正则化且施加以l2,1范式约束包括： 样本xi经线性回归投影到低维子空间表示为 yi＝WTxi+b， 其中， W∈Rd×m和b∈Rm分别表示 投影矩阵和偏移量， 最小低维空间中投影数据的重构误差表示 为： 其中， α 是正则化因子； 对式(9)中的参数W和b一阶求 导， 经过整理可 得W和b的解析解： W＝(XTUX+α I)‑1XTUY,                                            (10) 其中， 矩阵 将W和b代入式(9)， 得到正则化嵌入项：权　利　要　求　书 1/3 页 2 CN 115100721 A 2其中， 正则化嵌入矩阵B＝U(I ‑X(XTUX+α I)‑1XT)U， 且B是半正定矩阵。 6.根据权利要求1所述的邻域保持和嵌入正则化联合学习的人脸表情识别方法， 其特 征在于， 所述目标式的公式为： 其中， λ1和 λ2是平衡参数。 7.根据权利要求6所述的邻域保持和嵌入正则化联合学习的人脸表情识别方法， 其特 征在于， 所述采取梯度下降法将目标式的分解 为2个子问题包括： 1)固定参数Y， 求 解B， 更新B的子问题转 化为以下问题： 定义矩阵 式(14)可以写成： 通过对B一阶导数求 导， 可得B的解析解： B＝‑( λ2H)‑1( λ1YYT).                                            (16) 2)固定参数B， 求 解Y， 更新Y的子问题转 化为以下问题： 显然， 式(17)通过广义特 征值分解 来求解： (Sw+λ1B)Y＝ λSbY.                                           (18) 式(18)中最小的m个特 征值所对应的特 征向量构建矩阵Y 。 8.根据权利要求5所述的邻域保持和嵌入正则化联合学习的人脸表情识别方法， 其特 征在于， 所述将数据投影表示 为一个线性回归 还包括： 使用核函数将数据投影表示为一个非线性 回归， 设φ为从数据空间到特征空间的映射 函数， 数据集X在核空间的映射表示为[φ(x1),...,φ(xn)]； 利用核函数K(xi,xj)＝φ(xi)T φ (xj) 和乘子矩阵ξ， 数据集X和样本x的非线性映射进一步表示为Y＝Kξ和 将式(9)改写为： Tr(( ξ )TKξ )+α Tr(Kξ ‑Y)T(Kξ‑Y).                 (19) 对 ξ 求一阶导数， 可 得ξ 的解析解： ξ ＝α(I+α K)‑1Y＝ΘY.                                           (20) 其中， Θ＝α(I+α K)‑1， 将Θ代入式(19)， 得到：权　利　要　求　书 2/3 页 3 CN 115100721 A 3