专利名称：基于lrr图的半监督学习人脸识别方法
技术领域：
本发明属于图像处理技术领域，更进一步涉及一种模式识别技术领域中的人脸识别方法，具体是基于低秩表示(Low-Rank Representation, LRR)图的半监督学习人脸识别方法，本发明可用于视频监控环境下的身份识别，网络安全以及安防领域。
背景技术：
人脸识别不同于虹膜识别、指纹识别等，是比较容易为人们所接受的非侵犯性识别手段，从而成为计算机视觉和模式识别技术领域需要突破的一种技术。人脸识别的主要任务是根据提取的待识别人脸的特征，将其和数据库中的人脸图像进行比对，确定待识别人脸的身份。目前，对任意人脸图像进行识别的方法通常分为两类第一类是基于特征提取
的方法，第二类是基于分类器的方法。基于人脸特征的方法需要对人脸进行特征提取或选择，常用提取人脸特征的技术包括特征脸、Fisher脸、Laplace脸和核映射等，由上述方法提取出来的特征可以用包括最近邻和最近子空间在内的简单分类器进行识别。该方法存在的不足是，基于特征的方法在图像存在噪声时，提取的特征受到噪声的影响很大，从而导致该方法在图像含有噪声时因鲁棒性不强降低了人脸识别精度。Wright 等人在文献 “Wright J. , Ganesh A. , Yang A. and Ma Y. , Robust facerecognition via sparse representation. IEEE Transactions on Pattern Analysis andMachine Intelligence, vol. 31, no. 2, pp. 210-227, Feb. 2009” 中提出了一种利用稀疏表不进行人脸识别的方法。该方法首先将训练样本矩阵和测试样本矩阵降维至所需要的维度，并对其进行归一化处理；然后，用训练样本矩阵对测试样本矩阵进行稀疏表出，根据压缩感知的原理求出稀疏表示向量；最后，求得各类别重构样本与原测试样本的残差，带入类别判定公式得到识别结果。该方法存在的不足是，由于该专利申请的方法为有监督的人脸识别方法，在已知样本及对应标签数较少时降低了人脸识别精度，从而导致该方法在小样本学习情况下因缺少监督信息而降低了人脸识别精度。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种基于LRR图的半监督学习人脸识别方法。本发明可在小样本学习情况下，利用少量的监督信息，可以实现对人脸图像进行识别，同时，本发明对含有噪声的人脸图像识别具有很强的鲁棒性。本发明实现的具体步骤如下(I)划分数据库样本集将人脸图像集中所有已知标签的样本作为训练集，所有未知标签的样本作为测试集。(2)组成样本集合2a)将训练集中的样本按标签顺序依次排列在测试集样本前，组成原始样本矩阵；2b)生成一个服从高斯分布的随机矩阵，将随机矩阵与原始样本矩阵相乘得到降维后的样本矩阵。(3)生成初始标签矩阵采用标签矩阵公式得到带标记样本的初始标签矩阵。(4)低秩表不采用非精确增广拉格朗日乘子法获得低秩系数矩阵。(5)生成样本相似度矩阵 采用对称处理公式获得样本相似度矩阵。(6)计算概率采用图保持标准方法获得测试样本的类别概率矩阵。(7)输出类别选取类别概率矩阵每一列的最大值，将最大值所在行的行标作为测试集样本的类另U，输出测试集样本的类别。与现有技术相比，本发明有以下优点第一，由于本发明在人脸识别中采用了半监督学习的方法，克服了现有技术因缺乏足够监督信息而无法得到较高的识别正确率的不足，使得本发明在训练样本较少的时候能取得较高的识别率。第二，由于本发明采用了低秩表示方法，克服了现有技术因图像中含有噪声而严重降低识别正确率的不足，使得本发明对含有噪声的人脸图像鲁棒性更强。
图I是本发明的流程图；图2是现有Yale人脸数据库人脸样本示意图；图3是对图2加入不同程度高斯噪声后的图像。
具体实施例方式参照图1，对本发明做进一步的详细描述。步骤I，划分数据库样本集。将Yale人脸数据库中每类取出3个样本作为训练集A e Rdxm,剩余的样本作为测试集B e RDXT。其中，D表示训练集样本和测试集样本的维数，Rn表示η维实数空间，M是训练集样本的总数，T是测试集样本的总数；在本发明的实施实例中，样本维数D为8000，训练集样本的总数M为45，测试集样本的总数T为125。 步骤2，组成样本集合。2a)将训练集中的样本按标签顺序依次排列在测试集样本前，组成原始样本矩阵；2b)将随机矩阵Q e Rdxn乘以原始样本矩阵得到降维后的样本矩阵X e Rdx(M+T)；其中，d << D是原始样本矩阵降到的维数。步骤3，生成初始标签矩阵。
采用如下的标签矩阵公式得到训练集样本的初始标签矩阵。
权利要求
1.一种基于LRR图的半监督学习人脸识别方法，包括如下步骤 (1)划分数据库样本集 将人脸图像集中所有已知标签的样本作为训练集，所有未知标签的样本作为测试集； (2)组成样本集合 2a)将训练集中的样本按标签顺序依次排列在测试集样本前，组成原始样本矩阵； 2b)生成一个服从高斯分布的随机矩阵，将随机矩阵与原始样本矩阵相乘得到降维后的样本矩阵； (3)生成初始标签矩阵 采用标签矩阵公式得到带标记样本的初始标签矩阵； (4)低秩表示 采用非精确增广拉格朗日乘子法获得低秩系数矩阵； (5)生成样本相似度矩阵 采用对称处理公式获得样本相似度矩阵； (6)计算概率 采用图保持标准方法获得测试样本集的类别概率矩阵； (7)输出类别 选取类别概率矩阵每一列的最大值，将最大值所在行的行标作为测试集样本的类别，输出测试集样本的类别。
2.根据权利要求I所述的基于LRR图的半监督学习人脸识别方法，其特征在于步骤2b)中所述的随机矩阵行数的取值范围为50 300。
3.根据权利要求I所述的基于LRR图的半监督学习人脸识别方法，其特征在于步骤(3)所述的标签矩阵公式如下
4.根据权利要求I所述的基于LRR图的半监督学习人脸识别方法，其特征在于步骤(4)中所述的非精确增广拉格朗日乘子法按照如下步骤进行 第一步，将低秩系数矩阵和等价矩阵分别初始化为NXN的零矩阵，N表示训练集和测试集中所有样本的总数；将误差矩阵和两个拉格朗日乘子矩阵分别初始化为dXN的零矩阵，d为降维后的样本矩阵的维数； 第二步，将用于控制等价矩阵的固有参数初始化为10_6 ； 第三步，采用下列公式更新等价矩阵
5.根据权利要求I所述的基于LRR图的半监督学习人脸识别方法，其特征在于步骤(5)中所述的对称处理公式如下 ITicix j Zj^) 其中，Wu表示样本相似度矩阵W中第i行第j列的元素；ZU表示低秩系数矩阵Z中第i行第j列的元素，Zm表示低秩系数矩阵Z中第j行第i列的元素；max表示取括号内最大的值。
6.根据权利要求I所述的基于LRR图的半监督学习人脸识别方法，其特征在于，步骤(6)中所述的图保持标准方法按照如下步骤进行 第一步，采用如下公式得到对角矩阵 Dii = Σ J-Wij 其中，Dii表示对角矩阵D的第i行第i列的元素，i = 1,2,..., N，N表示训练集和测试集样本的总数;WU表示相似度矩阵W第i行第j列的元素，j = 1,2,... ,N, N表示训练集和测试集样本的总数； 第二步，将对角矩阵的对应元素减去样本相似度矩阵的对应元素得到特征矩阵； 第三步，采用下列公式得到测试样本集的类别概率矩阵Yu=-YLluL-I其中，Yu表示测试样本集的类别概率矩阵；γ表示训练样本集的初始标签矩阵；Llu e Rmxt表示将特征矩阵划分成四个子矩阵后的右上矩阵，M表示训练样本总数，T表示测试样本总数e 表示将特征矩阵划分成四个子矩阵后的右下矩阵的逆矩阵。·
全文摘要
本发明公开了一种基于LRR图的半监督学习人脸识别方法。其步骤为(1)划分数据库样本集；(2)组成样本集合；(3)生成初始标签矩阵；(4)低秩表示；(5)生成样本相似度矩阵；(6)生成类别概率矩阵；(7)输出测试样本的类别。本发明采用半监督学习的方法可以在已知标签样本较少的情况下获得更高的识别正确率，同时，本发明采用低秩表示的方法，在样本受到噪声污染的情况下具有更强的鲁棒性。
文档编号G06K9/00GK102880875SQ201210387089
公开日2013年1月16日 申请日期2012年10月12日 优先权日2012年10月12日
发明者杨淑媛, 焦李成, 王秀秀, 刘芳, 缑水平, 侯彪, 王爽, 马文萍, 杨丽霞, 徐雯辉, 谢冬梅 申请人:西安电子科技大学