专利名称：基于核的判别随机近邻嵌入分析的人脸识别方法
技术领域：
本发明是一种人脸识别方法，具体地说，是涉及一种基于核的判别随机近邻嵌入分析的人脸识别方法，可用于人脸识别、图像识别、目标识别等。
背景技术：
在当今社会中，身份确认具有十分重要的价值。近年来，人类的生物特征越来越广泛的应用于个人的身份鉴认，相比于传统的方法安全、可靠、特征唯一、稳定性高，不易被盗窃和破解。人类固有的生物特征主要有:DNA、指纹、虹膜、语音、步态、掌纹、人脸等，基于人们对独立的个体特征的认知，结合先进的计算机技术和模式识别理论，诸如DNA识别技术、指纹识别技术、人脸识别技术等纷纷发展起来。就目前的研究水平而言，DNA鉴定和指纹识别具有较高的识别率，可靠性最强但其使用的强约束条件还是限制了这两种方法的使用。人脸识别相比于其他的生物特征识别方法具有如下的强大优势:(I)无需用户过多参与，非接触式采集，无侵犯性；(2)对用户没有任何明显刺激，便于隐藏；(3)设备成本低廉，主要是采用摄像头来搜集人脸。因而人脸识别作为一种特殊的生物特征识别技术，拥有许多独特的应用环境，如罪犯搜捕、自动门禁系统、海关过境检查、信用卡确认等。人脸识别已然成为模式识别和图像处理领域的研究热点，当前的主流方法是基于子空间的人脸识别算法。例如边缘Fisher分析法、局部Fisher判别分析法、最大最小距离分析法和最大间距图嵌入法等。近年来，针对非线性分布结构的输入数据，已提出了不少非线性降维技术的人脸识别方法，其中最受关注的是基于核方法和基于几何结构的两种技术。例如等距映射法、局部线性嵌入、拉普拉斯特征映射和局部切空间排列等。本发明提出的方法属于基于核方法的人脸识别，它能产生非线性映射，很好地展现样本数据的流行结构，达到比较理想的降维效果。经专利查询统计，国内外已有不少人脸识别方面的专利:例如，基于有监督的近邻保持嵌入和支持向量机的人脸识别方法(200710114882.4)、基于广义非线性判别分析的人脸识别方法(200710300730.3)、一种人脸识别方法(200810030577.1)等。
发明内容
本发明要解决现有的技术的线性降维技术不能很好处理非线性分布结构的输入数据的技术问题和不能有效地提高了识别率、很好地保持了类内及类间的样本结构的缺点，提供一种基于核的判别随机近邻嵌入分析的人脸识别方法。本发明解决其技术问题所采用的技术方案是:—种基于核的判别随机近邻嵌入分析的人脸识别方法，包括以下步骤:a)随机选取每个对象I个样本进行模型训练，获得相应的投影矩阵B，余下的数据都作为测试样本；b)将所有的训练样本以及测试样本投影至低维流形空间；c)采用最近邻分类器进行识别率检测。
具体来讲，在本发明的人脸识别方法中，具体包括训练部分和测试部分两部分，其中，所述训练过程具体包括下述步骤:al确定训练样本矩阵X= [Xl，X2, -,xN]及其类别标签，确定核函数，设定方差参数入以及最大迭代次数Mt;a2根据步骤al中样本矩阵X计算输入样本间两两欧氏距离，原空间的样本相似度和类别标签计算联合概率Pij:
权利要求
1.一种基于核的判别随机近邻嵌入分析的人脸识别方法，包括训练过程和测试过程，其特征在于，包括以下步骤: a)随机选取每个对象I个样本进行模型训练，获得相应的投影矩阵BG If XN，其中N是训练样本数量，r是投影后样本维度，余下的数据都作为测试样本； b)将所有的训练样本以及测试样本投影至低维流形空间； c)采用最近邻分类器进行识别率检测。
2.根据权利要求1所述的人脸识别方法，其特征在于，在所述步骤a)中，随机选取每个对象I个样本进行模型训练包括下述五个步骤: al确定样本矩阵X=[xi，x2，-,xN]及其类别标签，确定核函数，设定方差参数入以及最大迭代次数Mt，其中Xi G RdXN，是第i个输入样本，A是相应高斯函数的方差参数，Mt是最大迭代次数； a2根据步骤al中样本矩阵X计算输入样本间两两欧氏距离，原空间的样本相似度和类别标签计算联合概率Pij; a3初始化变换矩阵B°，使其元素满足(O，I)高斯分布； a4依据子空间的样本相似度和类别标签计算联合概率qij，通过KL散度尽可能地保持同类样本间的相似度并减少异类样本间的相似度，最后利用共轭梯度方法更新变换矩阵Bt ； a5输出最终投影矩阵
3.根据权利要求2所述 的人脸识别方法，其特征在于，在所述步骤a2中计算联合概率Pu时引入了高斯RBF核函数= exp(-l|| x -x’ |b2}。给定有类别标签的n维样本X11, X21,…，Xni1, X12, X22,…，xN22,…，X10, x2c,…，xNCe,其中x/代表第c类的第i个样本，样本总类别数为C，Ni是第i类的样本数。引入核函数后，原空间的样本的联合概率为:
4.根据权利要求3所述的人脸识别方法，其特征在于，在所述步骤a4中计算子空间的联合概率Qij时也引入了高斯RBF核函数K (X，x’ ) =exp (- A |x_x’ | |22),即:
5.根据权利要求4所述的人脸识别方法，其特征在于，在所述步骤a4中通过最小化同类样本内和异类样本间各自的KL散度得到目标代价函数:
6.根据权利要求5所述的人脸识别方法，其特征在于，在所述的目标函数下，通过两种方法来参数化目标泛函: a41.利用投影矩阵B参数化目标泛函:
全文摘要
本发明公开一种基于核的判别随机近邻嵌入分析的人脸识别方法，其涉及模式识别领域，以有效提取非线性判别信息，获得较高识别率为目的，包括训练过程和测试过程，步骤如下a)随机选取每个对象l个样本进行模型训练，获得相应的投影矩阵B，余下的数据都作为测试样本；b)将所有的训练样本以及测试样本投影至低维流形空间；c)采用最近邻分类器进行识别率检测。本发明提供的人脸识别方法在现有的技术基础上有效地提高了识别率，很好地保持了类内及类间的样本结构。本发明可用于机器学习和模式识别范畴内，除了人脸识别以外，还可用于图像识别和目标识别等领域。
文档编号G06K9/62GK103207993SQ20131012532
公开日2013年7月17日 申请日期2013年4月10日 优先权日2013年4月10日
发明者郑建炜, 黄琼芳, 邱虹, 王万良, 蒋一波 申请人:浙江工业大学