基于分块及鉴别非负矩阵分解的有遮挡人脸识别方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及人脸图像识别方法，可应用于身份鉴定 和信息安全领域。
【背景技术】
[0002] 随着科学技术的不断进步，身份鉴定技术在视频监控、人机交互、出入口控制等多 领域有着非常重要的应用地位。与安全性较低的ID卡和密码等技术相比，通过利用人体生 物特征的生物特征识别技术如指纹、基因等，具有安全可靠、特征唯一、不易伪造等优点。在 所有的生物特征识别技术中，利用人脸特征进行身份鉴定是最直接、最方便的手段，受到很 多学者的关注。这些独特优势使得通过计算机提取人脸特征并根据这些特征进行身份验证 的人脸识别成为一种重要的生物信息识别手段，在信息安全领域有着很多实际应用场景， 诸如视频监控、访问控制、智能身份证等。
[0003] 由于人脸图像样本的维数往往很高，而样本个数却远远小于图像维数，造成人脸 图像在高维空间中的分布比较稀疏，不利于分类和识别，并且，不同人脸图像之间也具有较 强的相似性，若单纯利用原始人脸图像进行身份鉴定，会使人脸识别系统计算量巨大且影 响识别效果。为解决此问题，人们通常对高维的人脸图像进行降维处理，将其压缩到一个低 维的子空间进行识别。传统降维方法有主成分分析、独立分量分析和线性判别分析等，但这 些方法通常允许降维后的数据含有负值，而人脸图像灰度值具有非负性，从而需要将这一 特性考虑在模型中。
[0004] 非负矩阵分解NMF是一种要求被分解矩阵和分解后的矩阵在非负性约束条件下 的矩阵分解算法，能够极大地降低数据特征的维数，分解特性符合人的心理学和生理学原 理，具有智能特性；另外，分解结果可解释性强，并具有明确的物理意义，目前已在维数约 减、特征提取和模式识别等多领域获得了广泛应用。
[0005]目前已提出的非负矩阵分解方法主要有：
[0006] (1).LeeDD,SeungHS.Learningthepartsofobjectswithnonnegative matrixfactorization.Nature, 1999, 401 (6755) : 788-791。文章提出一种新的矩阵分解方 法一非负矩阵分解NMF。非负矩阵分解NMF直接将原始数据矩阵分解为基矩阵和系数矩阵， 并要求基矩阵以及原始数据矩阵在基矩阵上的投影系数即系数矩阵都是非负的，这表明非 负矩阵分解NMF只存在加性组合，因此，非负矩阵分解NMF可以看作是一个基于部分表示的 模型。非负矩阵分解NMF能够提供观测数据的局部结构，但有些情况下，NMF算法也会给出 全局特征，导致分类性能受限。
[0007] (2).LISZ,H0UXin-wen,ZHANGHong-jiang,etal.Learningspatially localized，parts-basedrepresentation[C]//ProcofIEEEComputerSociety ConferenceonComputerVisionandPatternRecognition.WashingtonDC:IEEE SomputerSociety，2001:207-212。文章提出一种具有保持局部特性的局部非负矩阵分解 LNMF算法。该算法以一种简单的形式最大化系数矩阵的稀疏性，同时基矩阵具有正交性和 局部表示特性。实验表明，局部非负矩阵分解LNMF分解得到的图像特征比非负矩阵分解NMF更局部化，但由于没有利用数据的判别信息，分类准确性有待提升。
[0008] (3).ZafeiriouS,TefasA,BuciuI,etal.Exploitingdiscriminant informationinnonnegativematrixfactorizationwithapplicationtofrontal faceverification[J].NeuralNetworks,IEEETransactionson, 2006, 17 (3):683-695。 文章提出了一种鉴别非负矩阵分解DNMF算法。鉴别非负矩阵分解DNMF利用样本数据的判 别信息，对系数矩阵构造散度约束项，使得样本在低维空间中能够保持数据类内的紧凑结 构及类间鉴别性，很好地利用了数据的类别信息，但鉴别非负矩阵分解DNMF鲁棒性和适应 性较差，特别是对于大面积连续区域的有遮挡人脸识别不够鲁棒。
【发明内容】
[0009] 本发明的目的在于针对上述已有技术的不足，提出一种基于分块及鉴别非负矩阵 分解的有遮挡人脸识别方法，以降低不同局部特征提取间的干扰，更准确的提取人脸局部 特征，提尚人脸识别率。
[0010] 实现本发明的技术关键是在鉴别非负矩阵分解DNMF的目标函数中引入新的类间 散度约束项，对鉴别性非负矩阵分解算法进行改进，利用改进后的算法提取人脸若干不重 叠子块的基矩阵，并根据特征融合规则，利用最近邻NN分类器进行融合识别，实现步骤包 括如下：
[0011] (1)对训练数据集A中的每幅图像进行直方图均衡化处理，并等分成不重叠的上 中下三个子块，以及将每个子块的各像素点逐列排成一列，作为该子块的数据，将训练数据 集A中所有图像相同位置处的子块数据组成一个矩阵，从上到下分别形成第k块非负矩阵 Xk，k= 1，2, 3 ;
[0012] (2)利用训练数据集A中每类样本的均值向量间的余弦相似度构造权值矩阵W，并 将其引入到基本鉴别非负矩阵分解DNMF模型的类间散度矩阵，形成新的类间散度矩阵；
[0013] (3)将新的类间散度约束引入到基本鉴别非负矩阵分解DNMF模型中，形成改进的 鉴别非负矩阵分解MDNMF目标函数：
[0014]
[0015] 其中，Xk为第k块非负矩阵，21'表示由第k块非负矩阵Xk分解得到的基矩阵， ΖΛ ，m为每幅图像的维数，r为分解维数，硭表示由第k块非负矩阵Xk分解得到的 系数矩阵，，η为训练数据集A中样本的个数，X:表示第k块非负矩阵Xk中第i行j列的元素，log为以e为底的自然对数运算，（ZkHk) ^j表示基矩阵Zk和系数矩阵Hk乘积 的第i行j列的元素，γ为类内散度调节系数，tr□为矩阵的迹运算，S〖为第k块非负矩 阵Xk对应系数矩阵的类内散度矩阵，δ为类间散度调节系数，Sf为第k块非负矩阵炒对 应系数矩阵免的新的类间散度矩阵；
[0016] (4)对改进的鉴别非负矩阵分解MDNMF目标函数进行优化求解，实现对第k块非负 矩阵Xk的分解，得到基矩阵Zk和系数矩阵Hk，其中，系数矩阵Hk中的每一个列向量称为系 数向量；
[0017] (5)对测试集B中的每幅图像采用与训练数据集A相同的处理方式以构造第k块 测试数据矩阵f= {?，..<}e巧"/3@，其中，m为每幅图像的维数，g为测试集B中的样本 个数；
[0018] (6)将第k块测试矩阵中第f个测试数据4e/ef3在基矩阵#上进行投影，得到投 影系数向量W=(f)Y 彳，f= 1，2,...，g;用第k块所有测试数据的投 影系数向量组成投影系数矩阵：f 其中，t表示矩阵的广义逆 运算；
[0019] (7)计算测试集B中第f幅测试图像的第k块投影系数向量y'i与训练数据集A中 各图像的系数向量h(的欧氏距离，利用加权融合准则和最近邻NN分类器，找出训练数据集 A中与第f幅测试图像距离最小的图像，并将该图像的类别作为第f幅测试图像的类别；
[0020] (8)将第f幅测试图像的类别与测试集B中第f幅测试图像在数据库中定义的类 别相比较，统计测试集B中被正确分类的测试图像的数目CN，计算测试集B的正确分类率 Ra：
[0021]
[0022] 本发明与现有技术相比具有以下优点：
[0023] 1)本发明通过引入权值矩阵对原始的类间散度矩阵进行改进，更有效地利用了数 据的类别信息；
[0024] 2)本发明采用图像分块处理的方式进行非负矩阵分解，克服了人脸图像在有大面 积连续遮挡的情况下，导致人脸识别性能不稳定和不可靠的问题；
[0025] 3)本发明利用加权融合规则及最近邻NN分类器进行人脸识别，克服了基本鉴别 非负矩阵分解DNMF对人脸特征表达能力较弱以及对遮挡鲁棒性较差的问题，明显地提高 了人脸识别的识别率。
【附图说明】
[0026] 图1是本发明的实现流程图；
[0027] 图2是基于本发明和现有三种非负矩阵分解的人脸眼部遮挡识别率曲线对比图；
[0028] 图3是基于本发明和现有三种非负矩阵分解的人脸嘴部遮挡识别率曲线对比图。
【具体实施方式】
[0029] 一、基础理论介绍。
[0030] 如何处理海量数据，如何提取特征并有效利用获得了企业界和学术界的广泛关 注。非负矩阵分解NMF是一种有效的特征提取及数据降维方法，该方法在处理高维海量数 据时，能够提取数据潜在的局部特征，大大降低数据特征的维数，节省大量存储空间，且非 负性约束使得分解结果具有一定的稀