專利名稱：一種基于分離度差有監(jiān)督局部保持投影的人臉識別方法
技術(shù)領域：
本發(fā)明涉及的是一種生物特征身份識別領域，特別涉及一種基于分離度差有監(jiān)督局部保持投影的人臉識別方法。
背景技術(shù)：
局部保持投影(Locality Preserving Projection, LPP)是一種局部線性特征提取方法，作為拉普拉斯特征映射的線性近似，它能夠提取反映高維樣本非線性流形的低維特征，同時也能夠處理訓練樣本外的數(shù)據(jù)。局部保持投影本質(zhì)上是一種無監(jiān)督降維，并不能充分利用訓練樣本的類別信息(He X, Niyogi P.Locality preserving projections [J].Advances in Neural Information Processing Systems.2003，16:153-160)。申中華等則從保留類內(nèi)局部結(jié)構(gòu)和類間分離度的角度出發(fā)提出一種有監(jiān)督的局部保留投影方法(Supervised Locality Preserving Projection, SLPP),在一定程度上提高了局部保持投影方法的性能，但該方法確定的目標函數(shù)為Rayleigh商形式，其求解過程類似于傳統(tǒng)的Fisher準則，因此，在人臉識別等小樣本應用中，會遇到類內(nèi)分離度矩陣奇異的問題，一般的解決思路是采用PCA和SLPP相結(jié)合，但降維過程中SLPP保留特征的維數(shù)將嚴重受限于PCA過程中所保留的特征維數(shù)(申中華，潘永惠，王士同.有監(jiān)督的局部保留投影降維算法[J]，模式識別與人工智能，2008, 21 (2):233-239.)。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種能夠有效避免有監(jiān)督局部保持投影在小樣本情況下導致類內(nèi)分離度矩陣奇異的特征提取人臉識別方法。本發(fā)明的目的是這樣實現(xiàn)的:本發(fā)明包括以下步驟:(I)從人臉庫中讀取人臉圖像；(2)對人臉圖像進行特征提取，形成人臉特征；(3)對人臉區(qū)域圖像進行特征提取，從而獲得特征提取所需變換矩陣和訓練人臉圖像的特征:I)定義類內(nèi)分離度矩陣為Gw=XLwXt,類內(nèi)分離度Jw=aTXLwXTa=aTGwa和類間分離度矩陣為Gb=XLbXt,類間分離度JB=aTXLBXTa=aTGBa，其中a為所求的投影向量，若W為類內(nèi)相似度矩陣，Lw為通過W求取的類內(nèi)拉普拉斯矩陣，X為高維歐氏空間中的訓練樣本，B為類間相似度矩陣，Lb為通過B求取的類間拉普拉斯矩陣；2)構(gòu)造出差模式的目標函數(shù)參數(shù)η為非負的可調(diào)因子；3)求解廣義分離度差矩陣(Gb-JIGw)的特征值和特征向量確定出最優(yōu)的投影軸；(4)針對測試人臉圖像進行特征提取，并通過基于歐氏距離的最近鄰分類器進行分類識別。
本發(fā)明的有益效果在于:本發(fā)明采用基于差模式的目標函數(shù)代替基于Rayleigh商形式的目標函數(shù)，避免了人臉識別中的小樣本問題，同時也使得有監(jiān)督局部保持投影方法不再受限于PCA過程保留特征維數(shù)。避免了由于小樣本導致的類內(nèi)分離度矩陣奇異的問題和難以選取PCA與SLPP最優(yōu)匹配維數(shù)的問題。


圖1為基于分離度差有監(jiān)督局部保持投影的人臉識別流程圖；圖2為部分訓練樣本圖像；圖3為部分測試樣本圖像；圖4為Yale人臉庫上的實驗結(jié)果比較示意圖；圖5為ORL人臉庫上的實驗結(jié)果比較示意具體實施例方式下面結(jié)合附圖對本發(fā)明作進一步描述:一種基于分離度差有監(jiān)督局部保持投影的人臉識別方法，首先需要從人臉數(shù)據(jù)庫中讀取人臉圖像，然后針對人臉區(qū)域圖像進行特征提取，最后通過最近鄰分類完成人臉識別。1、讀取人臉圖像結(jié)合圖2和圖3，本發(fā)明使用了 2個人臉數(shù)據(jù)庫，Yale人臉庫，ORL人臉庫。Yale人臉庫包含了 15個人的165幅照 片，每個人由11幅照片所構(gòu)成，為256級灰度，這些照片在不同表情和光照等條件下拍攝，其分辨率為100X100。實驗中使用每人的前6幅圖像作為訓練樣本，共90幅，剩余75幅圖像作為測試樣本。ORL人臉數(shù)據(jù)庫，包括40個人，每人10幅，共400幅人臉圖像，圖像為256級灰度，分辨率為112X92 (寬X高)像素。拍攝于不同時間，采用統(tǒng)一的黑色均勻背景，一定范圍內(nèi)存在光照、面部表情變化(睜眼或者閉眼、微笑或者嚴肅)以及臉部細節(jié)變化(如是否戴眼鏡)。所有的照片都是正面直立的，允許一定角度的頭部傾斜和旋轉(zhuǎn)。實驗中使用每人的前5幅圖像作訓練樣本，共200幅，剩余200幅圖像用于測試。2、人臉特征提取方法2.1、局部保持投影(LPP)假設在高維歐氏空間Rd中存在樣本X=Lx1, X2L, xN]，其中N為樣本的個數(shù)，D為樣本的維數(shù)。局部保持投影的目標是尋找變換矩陣a，可將樣本X映射到一個相對低維數(shù)的特征空間Rd，其中維數(shù)d〈〈D，如公式(I):Xi Ji=S^Xi, i=l, 2L N(I)其中Yi為降維之后的向量。假設局部保持投影的相似度矩陣為W，最小化目標函數(shù)為:|Γ(2)
if其中，Wij是相似度矩陣W中的元素。最小化的目的是使高維空間中Xi和相近時，經(jīng)過變換得到的低維Ji和y」也是相近的。目標函數(shù)可修改為如下形式:
權(quán)利要求
1.一種基于分離度差有監(jiān)督局部保持投影的人臉識別方法，其特征在于，包括以下步驟: (1)從人臉庫中讀取人臉圖像； (2)對人臉圖像進行特征提取，形成人臉特征； (3)對人臉區(qū)域圖像進行特征提取，從而獲得特征提取所需變換矩陣和訓練人臉圖像的特征: 1)定義類內(nèi)分離度矩陣為Gw=XLwXt,類內(nèi)分離度Jw=aTXLwXTa=aTGwa和類間分離度矩陣為Gb=XLbXt,類間分離度JB=aTXLBXTa=aTGBa，其中a為所求的投影向量，若W為類內(nèi)相似度矩陣，Lw為通過W求取的類內(nèi)拉普拉斯矩陣，X為高維歐氏空間中的訓練樣本，B為類間相似度矩陣，Lb為通過B求取的類間拉普拉斯矩陣； 2)構(gòu)造出差模式的目標-^yGfr)fl，參數(shù)η為非負的可調(diào)因子； 3)求解廣義分離 度差矩陣(Gb-JIGw)的特征值和特征向量確定出最優(yōu)的投影軸； (4)針對測試人臉圖像進行特征提取，并通過基于歐氏距離的最近鄰分類器進行分類識別。
全文摘要
本發(fā)明涉及的是一種生物特征身份識別領域，特別涉及一種基于分離度差有監(jiān)督局部保持投影的人臉識別方法。本發(fā)明包括以下步驟從人臉庫中讀取人臉圖像；對人臉圖像進行特征提取，形成人臉特征；對人臉區(qū)域圖像進行特征提取，從而獲得特征提取所需變換矩陣和訓練人臉圖像的特征；針對測試人臉圖像進行特征提取，并通過基于歐氏距離的最近鄰分類器進行分類識別。本發(fā)明避免了人臉識別中的小樣本問題，同時也使得有監(jiān)督局部保持投影方法不再受限于PCA過程保留特征維數(shù)。避免了由于小樣本導致的類內(nèi)分離度矩陣奇異的問題和難以選取PCA與SLPP最優(yōu)匹配維數(shù)的問題。
文檔編號G06K9/00GK103226699SQ20131013191
公開日2013年7月31日 申請日期2013年4月16日 優(yōu)先權(quán)日2013年4月16日
發(fā)明者王科俊, 鄒國鋒, 曹晶, 唐墨, 呂卓紋, 付斌 申請人:哈爾濱工程大學