一种基于lpp特征提取的单样本人脸识别迁移学习方法
【专利摘要】本发明属于模式识别【技术领域】，具体涉及一种基于LPP特征提取的单样本人脸识别迁移学习方法。不同于传统的基于泛化能力提升的全局人脸识别与依赖图像分割的局部人脸识别方法，本发明首先利用白化余弦相似度对迁移源进行筛选获得精选样本源，其次分别对精选源中的源特征与目标特征人脸采用LPP进行特征投影并求解特征迁移矩阵逼近其映射关系，然后将特征迁移矩阵作用于训练样本将其原始宏观特征迁移为目标宏观特征，最后采用最近邻分类器实现较高精度的人脸识别。本发明能够有效利用与目标单样本关联的大量源样本，合理筛选并迁移宏观特征，在很大程度上解决单样本难以训练的问题，并能够获得更高的人脸识别精度。
【专利说明】—种基于LPP特征提取的单样本人脸识别迁移学习方法
【技术领域】
[0001]本发明属于模式识别领域，具体涉及一种基于LPP(Locality PreservingProjections,局保投影)特征迁移的单样本人脸识别方法。
【背景技术】
[0002]人脸识别作为典型的高维度小样本问题，在智能卡设计、访问控制、信息安全与执法追踪等方面有着重要应用，然而其常常面临训练样本不足的难题，甚至时常遭遇极端情形，即每类人脸仅有一幅训练样本，而测试样本受到表情、光照与角度等因素的影响，往往与训练样本产生较大差异。这导致人脸识别技术在进一步推广应用中产生了一定的困难，常规的迁移学习方法很难处理这个问题。从技术上说，单训练样本人脸识别是指从给定的每人仅存储一幅已知身份的图像的数据库中识别出姿态、光照等因素不可预测的图像中人的身份。由于每人只有一个模板图像，分类器只能采用简单的最近邻准则，因此特征提取技术成为提闻单样本人脸识别精度的关键。
[0003]一般来说，解决单样本人脸识别问题主要有两类典型方法，基于泛化能力提升的全局人脸识别与基于子区域划分的局部人脸识别。前者以人脸全局信息作为处理对象，重视提高人脸的全局特征泛化能力，以降低同一类人脸对于不同表情、角度等因素的影响。后者则是将全局人脸分割为局部图像，并以局部图像作为研究对象分析人脸局部特征，利用局部特征匹配实现人脸识别。
[0004]根据泛化机制的不同，全局人脸识别算法又可以分为如下两类:以PCA(PrincipalComponent Analysis,基于主成分分析)为核心的衍生算法与以增加样本规模为目的的虚拟样本生成算法。前者以PCA为核心并针对其在计算量、协方差估计以及噪声预处理方面的不足做出各种改进。泛化能力的提升，能够在一定程度上提高单样本识别精度，却未能够从根本上解决小样本数与高维度间的矛盾。为缓解这一矛盾，第二类全局识别算法通过生成虚拟样本来增加训练集规模,传统的算法有R0CA、E(PC)2A等。由于虚拟样本生成方法对于单样本人脸识别问题的针对性和有效性，近年来，又有不少新方法涌现。归纳来说，主要采用以下5种措施增加虚拟样本:1)添加随机噪声；2)均值滤波与小波变换；3)基于轮廓波的源图像重建；4)核主成分分析与广义判别式分析；5)Gabor过滤的多角度特征生成。
[0005]相比于全局人脸识别算法，局部人脸识别更适合单样本问题，其不再将整幅人脸采用高维向量表示，而是将其表示为一系列低维局部特征向量。一方面缓解了训练样本高维度产生的维数灾问题，另一方面对于局部特征匹配变得更加灵活。局部特征构建意在提取人脸局部特征，其构建方式的复杂性对其发展造成了限制，一类基于局部外观的识别算法被提出以解决局部特征难于构建的问题。其基本思想是:将训练样本与测试样本分割成相同维度的多个子区域，基于相应子区域的匹配实现目标样本的识别。采用不同的局部建模方式与评价机制，如神经网络、隐层马尔科夫模型、线性判别分析、混合局部特征、局部二进制模型以及分形特征等可以形成不同的局部分割算法。
[0006]不同于传统全局人脸识别算法着眼于对样本泛化能力的提升以及局部识别算法中的分割匹配思想，本发明提出一种基于LPP特征迁移的单样本人脸识别方法。迁移学习作为一类新兴的机器学习方法，通过借鉴已解决的源任务来实现知识的提炼与转移，从而降低目标任务的信息量要求并辅助其实现更好决策。其在文本分类、关联信息聚类与数据回归等方面有着良好的应用。同时，由于迁移学习降低了源任务与目标任务数据同分布的限制，使得其对于人脸识别等问题中关联数据的利用率大大提升，同时对于小样本问题，能够极大程度增加决策效率与识别精度。为此，本文将迁移学习方法引入单样本人脸识别问题，利用大量关联性的迁移源辅助单一训练样本进行更好的学习，以提高最终的人脸识别精度。
【发明内容】
[0007]发明目的:针对上述现有技术，提出一种基于LPP特征提取的单样本人脸识别迁移学习方法，提闻人脸识别精度。
[0008]技术方案:为解决上述技术问题，一种基于LPP特征提取的单样本人脸识别迁移学习方法，包括如下步骤:
[0009]步骤I，给定迁移源TS，计算类别i的平均脸AFi,并基于先验概率求解类内样本协方差矩阵Σ w，并获取白化算子Ww ；
[0010]步骤2，由所述白化算子Ww作用于各源样本If与目标训练样本If，使所述各源样本If和目标训练样本If投影到白化子空间Rd，得到白化子空间Rd内所述各源样本If和目标训练样本If的余弦相似度在^,c(lf，ir)，取余弦相似度S ≥θ i的源样本If进入精选迁移源SS ；
[0011]步骤3，构建所述精选迁移源SS的邻接图G，计算度对角矩阵D、图拉普拉斯矩阵L ；
[0012]步骤4，求解特征投影矩阵A，并计算所述精选迁移源SS中样本到特征子空间Rd内的投影；
[0013]步骤5，获取最优特征迁移矩阵r将所述最优特征迁移矩阵作用于目标样本将其迁移为样本If ^吏所述样本If与测试样本用有相同特征gn，所述特征gn宏观表征下为qn ；
[0014]步骤6，利用1-NN判定所述测试样本I?。
[0015]作为本发明的优选方案，所述步骤I中，基于先验概率的类内样本协方差矩阵Σ w表达式如下:
【权利要求】
1.一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于:包括如下步骤: 步骤1，给定迁移源TS，计算类别i的平均脸AFi,并基于先验概率求解类内样本协方差矩阵Ew，并获取白化算子Ww; 步骤2，由所述白化算子Ww作用于各源样本Ι--与目标训练样本:,使所述各源样本Ifp和目标训练样本Ir*投影到白化子空间Rd，得到白化子空间Rd内所述各源样本Ir和目标训练样本If的余弦相似度
2.根据权利要求1所述一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于:所述步骤I中，基于先验概率的类内样本协方差矩阵Σ w表达式如下:
3.根据权利要求2所述一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于:所述步骤2中低维特征子空间Rd内所述各源样本If和目标训练样本ΙqmT的白化余弦相似度
4.根据权利要求3所述一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于:所述步骤3中，对于所述邻接图G= (V，E)，其顶点V为所述精选迁移源样本，当迁移源样本零和If满足
5.根据权利要求4所述一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于:所述步骤4中，根据如下广义特征向量式，构建特征投影矩阵A:
6.根据权利要求5所述一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于:所述步骤5中，特征迁移的目标为寻找映射关系h，使其满足:
7.根据权利要求6所述一种基于LPP特征提取的单样本人脸识别迁移学习方法，其特征在于:还包括利用1-NN判定测试样本后，评价特征迁移效果的优劣步骤:给出迁移率指标TE1Jn下所示:
【文档编号】G06K9/62GK103514443SQ201310479695
【公开日】2014年1月15日 申请日期:2013年10月15日 优先权日:2013年10月15日
【发明者】王雪松, 潘杰, 程玉虎 申请人:中国矿业大学