专利名称：基于非负矩阵分解和多种距离函数的人脸识别方法
技术领域：
本发明涉及图像处理和模式识别技术的应用领域，具体涉及ー种基于非负矩阵分解(NMF)和多种距离函数的图像识别方法。
背景技术：
在人脸识别领域，目前有很多方法，这些方法大致可以分为两大类非监督的的识别方法和有监督的识别方法。非监督的的识别方法事先对分类过程不施加任何的先验知识，而仅凭待分类样本提取出的特征，建立决策规则来进行分类，主要包括主成分分析 (PCA)，非负矩阵分解(NMF)。主成分分析(PCA)的基本方法如下先设X= {Xne Rd|n= | ，···，Ν}为ー组向量即数据集。然后，针对数据集计算对应的平均向量EX和协方差矩阵Μ。
权利要求
1.基于非负矩阵分解和多种距离函数的人脸识别方法，其特征在于包括如下步骤(1)学习图库中人脸图像特征的提取针对学习图库中全部人脸图像做非负矩阵分解，得到对应的基图像和每张学习图像对应的权重向量即特征向量；(2)利用非负矩阵分解的算法，在步骤(1)的基础上对测试图像中全部图像做特征提取，得到每张测试图对应的特征向量；(3)利用步骤⑴和(2)中得到的特征向量，首先计算每一类已知身份的训练样本图像集合对应的平均特征向量Hm;然后对每个测试图像计算其与各类别训练图像集对应均值向量之间的相似度，并结合多种不同距离函数给出相似度的量化数值dist(Ht，Hm)，在此基础上找出与测试图像最接近的训练图类别即最近邻点，并根据最近邻分类的方法将测试图划归最近邻所在类别，即对全部测试图像进行身份识別。
2.根据权利要求1所述的基于非负矩阵分解和多种距离函数的人脸识别方法，其特征在于步骤(1)进ー步包括1)获取人脸图像并做规一化使其大小一致，形成一个实验数据库，井分成训练集和测试集；2)首先，使用ー个nXm矩阵V1代表训练图像数据集；其次，采用非负矩阵分解对矩阵V1进行分解以提取特征；非负矩阵分解(NMF)的方法如下处理m个η维空间的样本数据，用nXm数据矩阵V表示，该数据矩阵中各个元素都是非负的，表示为V ^ 0，然后对矩阵V进行线性分解，以两个新的非负矩阵nXr矩阵W与r Xm 矩阵H来近似原矩阵，
3.根据权利要求1所述的基于非负矩阵分解和多种距离函数的人脸识别方法，其特征在于步骤O)中非负矩阵分解算法应用到训练图像数据集对应的矩阵V1吋，得到两个新的矩阵Wl和Hl 其中Wl为基矩阵，Hl为权重矩阵；i，j分別表示V1中对应元素的行号与列号，a表示矩阵乘法时该元素在行列中的序号，r表示Wl中列数，即对V1做分解过程中用到的非负基向量个数；完成分解后针对训练图像建立不同的库来分別保存它们的基向量和权重向量。
4.根据权利要求3所述的基于非负矩阵分解和多种距离函数的人脸识别方法，其特征在于步骤(2)进ー步包括对全部图像进行特征提取，分别采用两种不同方式获得训练图像和测试图像的特征向里。方式1 定义Wi对应的广义逆矩阵
5.根据权利要求1所述的基于非负矩阵分解和多种距离函数的人脸识别方法，其特征在于步骤(3)进ー步包括首先计算每一类训练样本图像集合对应的平均特征向量Hm;然后对每个测试图像计算其与各类别对应均值向量之间的各种距离度量dist(Htt，m)，并根据最近邻分类的方法将测试图像归为距离最近的ー类；为提高分类性能，在人脸识别系统当中采用多种距离函数度量，对非负矩阵分解后的图像特征向量进行相似性度量，再利用最近邻分类的方法给出测试图的分类；首先设X，Y是利用非负矩阵分解方法得到的长度为η的特征向量，其中X代表测试图像的权重向量，而Y表示训练图像的权重向量；而σ是训练图像对应权重向量的协方差矩阵，而{8”1 = 1，し11}表示σ中对角元的平方根，即标准差，在此基础上引入特征向量之间各种距离函数的定义如下，其中i表示元素在向量中的标号，η表示向量的长度，d(X，Y) 表示两个向量之间距离，Xi与Ii分別表示向量X与Y中的分量，min与max分別表示集合当中的极小值与极大值 (1)、曼哈顿距离O)、欧氏距离(3)、切比雪夫距离(4)、马氏距离(5)、兰斯距离(6)、统计距离(8)、Kullback-Leibler 距离
6.根据权利要求5所述的基于非负矩阵分解和多种距离函数的人脸识别方法，其特征在于所述距离还包括以下两种用于人脸识别的新距离，该两种新距离基于非负向量之间两种相似系数Y (χ，γ)的距离，适用于非负矩阵分解方法的应用，其中各自对应的系数Y (X， Y)定义如下(17)、基于非负向量相似系数的距离全文摘要
本发明公开了基于非负矩阵分解和多种距离函数的人脸识别方法，包括人脸图像特征的提取针对学习图库中全部人脸图像做非负矩阵分解，得到对应的基图像和每张学习图像对应的权重向量即特征向量；利用非负矩阵分解的算法，对测试图像中全部图像做特征提取，得到每张测试图对应的特征向量；利用得到的特征向量，首先计算每一类已知身份的训练样本图像集合对应的平均特征向量Hm；然后对每个测试图像计算其与各类别训练图像集对应均值向量之间的相似度，并结合多种不同距离函数给出相似度的量化数值，找出与测试图最接近的训练图类别即最近邻点，并根据最近邻分类的方法将测试图划归最近邻所在类别，即对全部测试图像进行身份识别。
文档编号G06K9/66GK102592148SQ20111045440
公开日2012年7月18日 申请日期2011年12月29日 优先权日2011年12月29日
发明者伍银波, 曾青松, 胡晓晖, 蒋亚军, 薛云, 邹雁, 魏燕达 申请人:华南师范大学, 广东科学技术职业学院, 广州番禺职业技术学院