一种人脸空间模式识别方法与流程

本发明涉及模式识别技术领域，尤其涉及一种人脸空间识别方法。

背景技术：

随着时代科技信息化进程地不断推进，模式识别作为热点研究方向，得到了越来越多地关注，人脸识别涉及模式识别，在人工智能、数据挖掘、计算机视觉、智能人工交互、计算机图形、生物特征与数据识别等多个领域有着广阔的应用。作为生物特征识别关键技术，人们在人脸识别领域做了很多有益的尝试并且取得了丰硕的成果，但是利用计算机进行自动、高效的人脸识别仍然有许多困难，主要表现为：人脸复杂，变化多样、人脸图像会受到包括光照、表情、姿态、动作、拍摄视角甚至相机规格等因素的影响，会导特征提取过程中难以获得最优、最显著的特征，而且还会获取许多次要的信息，降低了特征提取的特征数据的维数，目前人脸识别的一些特征算法主要采用主成分析法(principalcomponentanalysis，pca)、基于核的主成分析方法(kernelprincipalcomponentanalysis，kpca)、kfld等，这些分析算法虽然降低了数据维数，减少了运算量，但都没有很好地保留各类人脸样本的最优或最显著的特征，从而降低了人脸的识别率。

技术实现要素：

本发明的目的在于提供一种人脸空间识别方法，根据本发明的识别方法能有效地提高了识别率和误差率，很好地保持了类内散布、类间散布和总体练散步之间的关联性，为了实现上述目的，本发明采用以下技术效果：

根据本发发明的一个方面，提供了一种人脸空间识别方法，包括训练过程和测试过程，包括以下步骤：

步骤一：选取总体训练样本集合c，对每个训练样本ni的l个样本进行模型训练，并获得相应的训练样本ni的映射矩阵将同一类人脸图像模型够成一类，分别计算同一类人脸图像模型的类内散布矩阵sw、类间散布矩阵sb和总体对每个训练样本ni的l个样本进行模型训练散步矩阵st，并得到各类人脸识别的有效判别子空间矩阵，其中l为大于等于1的整数；

其中，i样本训练的数个数，k为映射后的样本维度；

步骤二：将各类人脸识别的有效判别子空间矩阵映射至低维子空间，求取同一类别的均值，作为人脸识图像模型的特征；

步骤三：获得人脸识图像模型的特征后，将获得的特征与已有的同一类人脸图像模型进行比较，然后采用线性判别子空间模式进行识别检测。

优选的，对每个训练样本ni的l个样本进行模型训练的步骤包括：

步骤21：确定训练样本ni的样本矩阵x＝[x1,x2,…,xd,…xn]，是第i个输入的训练样本；

步骤22：获取类内散布矩阵sw、类间散布矩阵sb、训练样本的样本矩阵x相互之间的关联关系；

步骤23：依据关联关系计算每个训练样本的零特征值和非零特征值分别对应的特征向量，再把零特征值和非零特征值从大到小按顺序排列，特征向量也从大道小按顺序排列，然后构建有效判别子空间矩阵。

本发明采用了上述技术方案，本发明具有以下技术效果：

根据本发明的识别方法能有效地提高了识别率和误差率，很好地保持了类内散布、类间散布和总体练散步之间的关联性，很好地识别到数据的本质结构，充分利用了类内散布、类间散布和总体练散步之间的类别信息，进行较好地线性判别，提升了人脸的识别率。

附图说明

图1是本发明一种人脸空间识别方法的流程图；

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

如图1所示，根据本发明的一种人脸空间识别方法，包括训练过程和测试过程，包括以下步骤：

步骤一：选取总体训练样本集合c，对每个训练样本ni的l个样本进行模型训练，并获得相应的训练样本ni的映射矩阵将同一类人脸图像模型够成一类，分别计算同一类人脸图像模型的类内散布矩阵sw、类间散布矩阵sb和总体对每个训练样本ni的l个样本进行模型训练散步矩阵st，并得到各类人脸识别的有效判别子空间矩阵，其中l为大于等于1的整数；

其中，i样本训练的数个数，k为映射后的样本维度；

步骤二：将各类人脸识别的有效判别子空间矩阵映射至低维子空间，求取同一类别的均值，作为人脸识图像模型的特征；

步骤三：获得人脸识图像模型的特征后，将获得的特征与已有的同一类人脸图像模型进行比较，然后采用线性判别子空间模式进行识别检测。

对每个训练样本ni的l个样本进行模型训练的步骤包括：

步骤21：确定训练样本ni的样本矩阵x＝[x1,x2,…,xd,…xn]，是第i个输入的训练样本；

步骤22：获取类内散布矩阵sw、类间散布矩阵sb、训练样本的样本矩阵x相互之间的关联关系；

步骤23：依据关联关系计算每个训练样本的零特征值和非零特征值分别对应的特征向量，再把零特征值和非零特征值从大到小按顺序排列，特征向量也从大道小按顺序排列，然后构建有效判别子空间矩阵。

在本发明中类内散布矩阵sw、类间散布矩阵sb、散步矩阵st分别满足：

其中，μj表示ωj类的均值向量，μ0表示总体训练样本的均值向量，ρj表示ωj类的先验概率参数，有ρj＝nj/n，由于ωj类的散布矩阵sbj满足：

对每个训练样本ni的l个样本进行模型训练的步骤包括：

步骤21：确定训练样本ni的样本矩阵x＝[x1,x2,…,xd,…xn]，xi∈x^d×n是第i个输入的训练样本；

步骤22：获取类内散布矩阵sw、类间散布矩阵sb、训练样本的样本矩阵x相互之间的关联关系；

步骤23：依据关联关系计算每个训练样本的零特征值和非零特征值分别对应的特征向量，再把零特征值和非零特征值从大到小按顺序排列，特征向量也从大道小按顺序排列，然后构建有效判别子空间矩阵；获得人脸识图像模型的特征后，将获得的特征与已有的同一类人脸图像模型进行比较，然后采用线性判别子空间模式进行识别检测。

在本发明中，将已确定的训练样本ni的样本矩阵x＝[x1,x2,…,xd,…xn]用于表示散步矩阵st的特征向量，其中，x1,x2,…,xd,和xd+1,xd+2…xn分别表示散步矩阵st的非零特征值和零特征值，其中,d＝rank(st),得到st的非零特征值的值域空间，以φd×n表示，以xd+1,xd+2…xn形成相对应st的零特征值的零值域空间，由上述式子(1)至(6)可得式子(7)

由于在样本训练时，应用线性判别时通过采用pca降维特征算法和lda线性判别分析方法对特征向量进行提取，根据特征方程(8)

sbwj＝λjswwj,(8)；其中，j＝1,2…，m；

可得到构成pca降维特征算法和lda线性判别的子空间基slda满足：，

假设同一类人脸图像模型够有m个类别，每个训练样本ni的第i类的判别函数满足再由式子(4)得到：

使用特征向量表示表示，νi为x的特征向量，用以产生同一类的协方差矩阵，再把零特征值和非零特征值从大到小按顺序排列，再选取一部分构建成子空间，进而求出所有类别人脸图像的特征值。

对于特征向量νi为ν1,ν2,ν3,…，νd，对应的特征值λ1≤λ2≤λ3≤…≤λd，那么转换矩阵a＝[ν1,ν2,ν3,…，νd]则为映射矩阵的低维子空间。对每个训练样本ni的l个样本进行模型训练，在获得相应的训练样本ni的映射矩阵时，得到的有效判别子空间矩阵中的非零特征值和零特征值空间中，各个散布矩阵的秩关系如下：rank(st)＞rank(sw)＞rank(sb)，各个散布矩阵零空间满足如下关系：

null(sb)∩null(sw)＝null(st)(10)

因为null(st)上的类间与类内相隔长度等于零，当range(st)＝l(φ)成为有效子空间，非零特征值的值域空间φd×n＝[x1,x2,…,xd]；设sw的特征向量sw＝[w1,w2,…,wi,…,wd]，sw＝φ^tswφ，

其中，sw的由前半部分的零空间ad×i＝[w1,w2,…,wi]以及后半部分的sw的值域空间构成；

sb的特征向量sb＝[b1,b2,…,bi,…,bd]以及与之对应的特征值γ1，γ2,…,γi；则

sw的零空间特征向量

sb值域空间征向量

在保证的特征值非零的情况下，提取r个与之对应的特征向量形成一个变换矩阵，即在保证的特征值非零的情况下，提取r个与之对应的特征向量形成一个变换矩阵p，即将测试样本矩阵x映射于特征空间上，获取对应的映射向量b＝(φp)^tx，参照最近邻分类准则判别其映射向量b的归属类型，虽然零空间对模式分类精确性零干扰，然而选择值域空间l(φ)得到了降维，并优化了计算性能。

在时间选择、拍照条件、人脸表情细节等方面处于各不相同的情况下，选择50个不同人物，为保证图像的原始性，随机选取k个人作为训练图像，余下的50-k个样本进行测试，对每个人物提取精确图像(精确度：136×96像素、灰度：0-255)，在训练和测试中，模拟实验过程中，利用最近邻分类方法进行收集样本，依次对k值进行选取(k＝3,4,5,6)，最终数据是重复k次的识别数据，然后取其平均值作为最终识别率和识别率的识别数据，针对不同样本数的识别率和误差率如表1所示。因此从表1可以看出，训练样本越大，训练样本的判别子空间受到外界的影响更小，其内类散布矩阵的零空间值退化就越小，通过pca算法和线性判别子空间模式相结合的方式进行了识别检测，从而提升了模式识别的识别率，提高了人脸的识别率。

如表1：不同样本数的识别率和误差率

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。