人脸识别方法

文档序号:6648893阅读:272来源:国知局
人脸识别方法
【专利摘要】一种人脸识别方法,包括如下步骤:扩充训练集:使用不同类训练样本在高维空间的线性关系合成训练样本,为每个原始训练样本生成一个聚类;扩展LDA算法:估计类内距与类间距,为LDA投影向量构造Fisher准则,使LDA算法适用于扩充的训练集;特征向量提取:利用所述Fisher准则,构造特征提取算子,提取人脸图像特征向量;人脸识别:根据提取的人脸特征向量进行人脸识别。本方法识别准确率高、运算复杂度低、实时性好,在每类训练样本仅有一个的情况下能够高效准确地识别人脸。
【专利说明】人脸识别方法

【技术领域】
[0001] 本发明涉及一种人脸识别方法。

【背景技术】
[0002] 人脸识别是一种在生活中常见的技术,相关研宄众多,是一种相对成熟的技术。然 而,在一些特殊的应用环境中,如身份证人脸识别、护照人脸识别、驾照人脸识别、犯罪现场 鉴定等情况下,每类(每个人)仅有一个已知训练样本。在这种情况下,绝大多数经典的人 脸识别算法PCA、LDA、LPP等的准确率都会非常低甚至完全失效,其原因如下:
[0003] (1)小样本问题。单样本问题是一种极端的小样本问题。人脸图像至少为上千维 的高维向量,否则不具备别性。已有研宄表明,N维特征向量至少需要10*N个样本,才能被 各种学习方法生成一个鲁棒性高的模型。在每类仅有一个训练样本的情况下,显然无法进 行有效的学习。
[0004] (2)单一样本表达力不足。对于同一张人脸,由于拍照时姿势、光照等差异性,可形 成一系列有差异的图像。这一系列有差异地图像共同表达同一张人脸。而在每类仅有一个 训练样本的情况下,显然无法对人脸进行有效的表达。
[0005] (3)类内方差不可知。同时需要对类内方差和类间方差进行优化才能得到鲁棒性 好的分类器。在每类仅有一个训练样本的情况下,类内方差不可知,因此无法设计有效的分 类器。
[0006] (4)类间方差过估计。在每类仅有一个训练样本的情况下,所有的差值都由类间样 本产生,则类间方差被放大,从而影响分类器性能。


【发明内容】

[0007] 本发明的主要目的在于针对现有技术的不足,提供一种新的人脸识别算法,以提 高单一训练样本情况下识别准确率。
[0008] 为实现上述目的,本发明采用以下技术方案:
[0009] 一种人脸识别方法,包括如下步骤:
[0010] 扩充训练集:使用不同类训练样本在高维空间的线性关系合成训练样本,为每个 原始训练样本生成一个聚类;
[0011] 扩展LDA算法:估计类内距与类间距,为LDA投影向量构造 Fisher准则,使LDA算 法适用于扩充的训练集;
[0012] 特征向量提取:利用所述Fisher准则,构造特征提取算子,提取人脸图像特征向 量;
[0013] 人脸识别:根据提取的人脸特征向量进行人脸识别。
[0014] 优选地:
[0015] 所述扩充训练集包括如下步骤:
[0016] 设定来自第一人脸的图像X与来自第二人脸的图像y为高维空间的两个点,构造 一条高维的直线连接这两个点,该直线由式(1)表达;
[0017] z = λ X+(I- ⑴
[0018] 其中λ为变体选择系数;
[0019] 在所有的原始训练样本中,找到X的k个近邻yi(l < i < k),yi表示最近邻;
[0020] 使用公式Zi= λ iX+(l-λ 成图像,生成一个关于X的聚类,其中1彡i彡k 并且1-(1〇^1)八3*(1〇^5^))<人#1,其中(1()表示两点间的欧氏距离。
[0021] 所述扩展LDA算法包括如下步骤:
[0022] 将LDA扩展为适用于扩充的训练集,由式⑵表达,

【权利要求】
1. 一种人脸识别方法,其特征在于,包括如下步骤: 扩充训练集:使用不同类训练样本在高维空间的线性关系合成训练样本,为每个原始 训练样本生成一个聚类; 扩展LDA算法:估计类内距与类间距,为LDA投影向量构造Fisher准则,使LDA算法适 用于扩充的训练集; 特征向量提取:利用所述Fisher准则,构造特征提取算子,提取人脸图像特征向量; 人脸识别:根据提取的人脸特征向量进行人脸识别。
2. 如权利要求1所述的人脸识别方法,其特征在于,所述扩充训练集包括如下步骤: 设定来自第一人脸的图像X与来自第二人脸的图像y为高维空间的两个点,构造一条 高维的直线连接这两个点,该直线由式(1)表达; Z=λX+(1-λ)y〇 <λ<I (I) 其中λ为变体选择系数; 在所有的原始训练样本中,找到X的k个近邻yi (1 <i<k),yi表示最近邻; 使用公式Zi=λiX+(1-λJ力合成图像,生成一个关于X的聚类,其中I<i<k并且l-d(x,yJ/G+cKx,y)) <λi彡1,其中d()表示两点间的欧氏距离。
3. 如权利要求1或2所述的人脸识别方法,其特征在于,所述扩展LDA算法包括如下 步骤: 将LDA扩展为适用于扩充的训练集,由式(2)表达,
其中α为投影向量,J(a)为Fihser鉴别表达式即Fisher准则,冗表示类间散度矩 阵,C表示类内散度矩阵,Xi为第i类的原始图像,用来作第i类训练样本的中心,c为原始 样本总数,Iii为第i个原始样本合成的样本总数,^为第i个原始样本合成的第j个合成图 像,4为第i个原始样本合成的第k个合成图像,iJPi2代表不同的类。
4. 如权利要求1或2或3所述的人脸识别方法,其特征在于,所述特征向量提取包括: 基于扩展的LDA算法确定特征提取算子,该特征提取算子使得式(2)中的Fisher准则 取得最大值。
5. 如权利要求4所述的人脸识别方法,其特征在于,确定由式(3)定义的泛化特征方 程的最大特征值所对应的特征向量,
以所确定的特征向量来作特征提取的投影向量。
【文档编号】G06K9/46GK104463234SQ201510003944
【公开日】2015年3月25日 申请日期:2015年1月4日 优先权日:2015年1月4日
【发明者】李钦, 张运生 申请人:深圳信息职业技术学院
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1