一种人脸识别方法及系统的制作方法
【专利摘要】本申请公开了一种人脸识别方法及系统，该方法包括利用PCA法对训练样本集进行初始降维，并利用训练样本的类别标签信息构造具有分类信息的矩阵，然后确定最优的二次投影矩阵，对初始降维训练样本集进行二次降维，然后对测试样本同样进行二次降维，在二次降维后的低维空间中进行分类。本申请通过二次降维处理，提高了人脸识别的准确度和效率。
【专利说明】—种人脸识别方法及系统
【技术领域】
[0001]本申请涉及模式识别【技术领域】，更具体地说，涉及一种人脸识别方法及系统。
【背景技术】
[0002]人脸是一种复杂、多变、高维的模式，在人脸识别中，需要把人脸数据从高维空间映射到低维子空间。由于人脸识别在身份验证、安全系统等方面具有广泛用途，因此人脸识别已经成为计算机视觉和 模式识别中一个重要的研究领域。
[0003]传统的人脸识别方法通常采用主元分析PCA(Principal Component Analysis)降维方法，但是该方法只适用于线性表示的数据。因此，又有人提出了近邻保持嵌入算法，该方法适用于流行数据。然而，近邻保持嵌入算方法在进行线性重构时没有获取全局结构信息和特征，并且没有对邻域做类别判断，把样本本身的类别信息忽略了，造成人脸识别率不闻。
【发明内容】
[0004]有鉴于此，本申请提供了一种人脸识别方法及系统，用于解决现有人脸识别方法的识别率不高的问题。
[0005]为了实现上述目的，现提出的方案如下:
[0006]一种人脸识别方法，包括:
[0007]利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵；
[0008]利用训练样本的类别标签信息，构造一个具有分类信息的矩阵；
[0009]确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集；
[0010]利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本；
[0011]利用最近邻分类器，对所述二次降维测试样本进行分类。
[0012]优选地，所述利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵，具体为:
[0013]定义训练样本集为{X,,.V,.L1, Xi e Rd, Yi = {1,2,…，c}是训练样本Xi的类别标
签信息，其中D是训练样本的维数，I为训练样本数据的个数，c为训练样本数据的类别数；
[0014]利用主元分析降维法PCA对训练样本进行初始降维，获得初始降维训练样本集
{Χ'ν,? , Xi [ R\ yi = {I, 2,…，c}；
[0015]定义训练样本矩阵为X= [X1, X2,, X1] e rdx1，初始降维训练样本矩阵X1 =A1X,其中A1 e Rdxn是PCA降维法获得的一次投影矩阵。
[0016]优选地，所述利用训练样本的类别标签信息，构造一个具有分类信息的矩阵，具体为:
[0017]利用训练样本的类别标签信息yi;构造一个具有分类信息的矩阵:H =[h1； h2，...，hj e rxl，其中当&的类别标签yi = c时，比的第c个分量为1，其余为O。
[0018]优选地，所述确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集，具体为:
[0019]确定最优的二次投影矩阵A，将初始降维训练样本集{χ,,χ.〖U进行二次降维，得到二次降维训练样本集{x%.v,.}U其中x’i e R%其中二次投影矩阵A确定过程如下:
[0020]
【权利要求】
1.一种人脸识别方法，其特征在于，包括: 利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵； 利用训练样本的类别标签信息，构造一个具有分类信息的矩阵； 确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集； 利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本； 利用最近邻分类器，对所述二次降维测试样本进行分类。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵，具体为: 定义训练样本集为沐，.Vi^5Xi e Rd, Yi = {I, 2，-,c}是训练样本Xi的类别标签信息，其中D是训练样本的维数，I为训练样本数据的个数，c为训练样本数据的类别数； 利用主元分析降维法PCA对训练样本进行初始降维，获得初始降维训练样本集
x ，y.= {1,2,...，c}； 定义训练样本矩阵为X = [X1, X2,, X1] e RDX1，初始降维训练样本矩阵X1 = A J，其中A1 e Rdxn是PCA降维法获得的一次投影矩阵。
3.根据权利要求2所述的人脸识别方法，其特征在于，所述利用训练样本的类别标签信息，构造一个具有分类信息的矩阵，具体为: 利用训练样本的类别标签信息yi，构造一个具有分类信息的矩阵:H =Di1, h2，...，hj e ITX1，其中当I的类别标签yi = c时，Iii的第c个分量为1，其余为O。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集，具体为: 确定最优的二次投影矩阵A，将初始降维训练样本集{X,,进行二次降维，得到二次降维训练样本集{x’p.vJU其中e R%其中二次投影矩阵A确定过程如下:
5.根据权利要求4所述的人脸识别方法，其特征在于，所述利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本，具体为: 利用一次投影矩阵A1和二次投影矩阵A对测试样本χ进行降维，得到二次降维测试样本:x，= AA1X0
6.根据权利要求5所述的人脸识别方法，其特征在于，所述利用最近邻分类器，对所述二次降维测试样本进行分类，具体为: 计算所述二次降维测试样本χ’与多个二次降维训练样本χ’ i之间的距离； 确定与所述二次降维测试样本X’的距离最小的二次降维训练样本X’ i，并将该二次降维训练样本X’ i对应的类别标签Ji赋予给所述二次降维测试样本X’。
7.根据权利要求6所述的人脸识别方法，其特征在于，所述计算所述二次降维测试样本X’与多个二次降维训练样本x’i之间的距离，具体为: 计算所述二次降维测试样本X’与多个二次降维训练样本X’ i之间的欧氏距离。
8.—种人脸识别系统，其特征在于，包括: 初始降维单元，用于利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵； 分析信息矩阵构建单元，用于利用训练样本的类别标签信息，构造一个具有分类信息的矩阵； 二次降维单元，用于确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集； 测试样本变换单元，用于利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本； 分类单元，用于利用最近邻分类器，对所述二次降维测试样本进行分类。
9.根据权利要求8所述的人脸识别系统，其特征在于，所述二次降维单元包括: 二次投影矩阵确定单元，用于确定最优的二次投影矩阵； 处理单元，用于将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集。
10.根据权利要求9所述的人脸识别系统，其特征在于，所述分类单元包括: 距离计算单元，用于计算所述二次降维测试样本X’与多个二次降维训练样本X’ i之间的距离； 距离比较单元，用于分别比较所述二次降维测试样本X’与多个二次降维训练样本X’ i之间的距离，并将距离最小的二次降维训练样本X’ i选取出来； 类别标签确定单元，用于将选取出来的二次降维训练样本X’ i对应的类别标签Ji赋予给所述二次降维测 试样本X’。
【文档编号】G06K9/00GK103955676SQ201410197890
【公开日】2014年7月30日 申请日期:2014年5月12日 优先权日:2014年5月12日
【发明者】张莉, 包兴, 赵梦梦, 王邦军, 何书萍, 杨季文, 李凡长 申请人:苏州大学