一种人脸识别方法和装置制造方法
【专利摘要】本发明公开了一种人脸识别方法和装置，在该方法中，根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵，进而构造类内邻接图和类间邻接图，最终将待测试样本按照投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本，利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类，本发明使得所构造的类内邻接图和类间邻接图能够真实反映出训练样本集的局部结构，提高了对待测试样本的分类性能。
【专利说明】一种人脸识别方法和装置
【技术领域】
[0001]本发明涉及图像识别【技术领域】，更具体的说是涉及一种人脸识别方法和装置。
【背景技术】
[0002]人脸识别技术是一种重要的生物特征识别技术，在公共安全、信息安全等领域具有广阔的应用前景。
[0003]在人脸识别技术中，通常利用K-最近邻分类器对人脸图像进行分类，需要计算每一个待分类的样本到其他全体已知样本的距离，从而求出待分类样本的K个最近邻点，由于真实世界的图像数据的维数较高，因此计算量特别大，使得运算速度特别慢。
[0004]为了提高运算速度，现有技术中，通常采用判别近邻嵌入算法将人脸图像数据映射到低维空间，来减小K-最近邻分类器的计算量，但是，判别近邻嵌入算法只构建一个邻接图，且所构建的邻接图只是标识出每个训练样本与其近邻样本之间的类别关系，并没有区分出该训练样本与其近邻样本之间的实际距离，因此，所构建的邻接图不能真实反映出训练样本集的局部结构，导致分类性能较差。
【发明内容】
[0005]有鉴于此，本发明提供一种人脸识别方法和装置，以解决现有技术中，通过判别近邻嵌入算法所构建邻接图不能真实反映出训练样本集的局部结构，使得分类性能较差的问题。
[0006]为实现上述目的，本发明提供如下技术方案:
[0007]一种人脸识别方法，该方法包括:
[0008]通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合；
[0009]根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵；
[0010]根据所述权值矩阵构造类内邻接图和类间邻接图；
[0011 ] 根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标维数和投影变换矩阵；
[0012]将所述原始训练样本集按照所述投影变换矩阵映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数；
[0013]将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本；
[0014]利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。
[0015]优选的，所述确定各个训练样本的同类近邻集合和异类近邻集合之前，还包括:[0016]对所述原始训练样本集中的各个训练样本进行降维；
[0017]所述确定各个训练样本的同类近邻集合和异类近邻集合具体为:确定降维后的各个训练样本的同类近邻集合和异类近邻集合；
[0018]其中，用于表征所述原始训练样本集，yi是xi的类
别标签，c表示类别数，N表示训练样本的总个数，D表示原始训练样本集中的训练样本的维数；
[0019]
【权利要求】
1.一种人脸识别方法，其特征在于，该方法包括: 通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合； 根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵； 根据所述权值矩阵构造类内邻接图和类间邻接图； 根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标维数和投影变换矩阵； 将所述原始训练样本集按照所述投影变换矩阵映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数； 将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本； 利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。
2.根据权利要求1所述的方法，其特征在于，所述确定各个训练样本的同类近邻集合和异类近邻集合之前，还包括: 对所述原始训练样本集中的各个训练样本进行降维； 所述确定各个训练样本的同类近邻集合和异类近邻集合具体为:确定降维后的各个训练样本的同类近邻集合和异类近邻集合； 其中，
3.根据权利要求2所述的方法，其特征在于，所述权值矩阵定义为G:
4.根据权利要求3所述的方法，其特征在于，所述根据所述类内邻接图、所述类间邻接图和所述原始训练样本集，确定最佳目标维数和投影变换矩阵，具体为: 特征分解
5.根据权利要求4所述的方法，其特征在于，所述判别子空间的训练样本集具体为 ，ve R 其中，V,: = PrXi。
6.根据权利要求2所述的方法，其特征在于，所述将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本之前，还包括: 对所述待测试样本进行降维，其中，所述降维后的待测试样本与所述降维后的训练样本的维数相同； 所述将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本具体为: 利用所述投影变换矩阵，将所述降维后的待测试样本映射到所述判别子空间中，得到测试样本。
7.根据权利要求1所述的方法，其特征在于，所述利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类，具体为: 计算所述测试样本与所述判别子空间中的训练样本集的各个训练样本之间的距离； 确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本。
8.—种人脸识别装置，其特征在于，包括: 第一确定单元，用于通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合； 第一构造单元，用于根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵； 第二构造单元，用于根据所述权值矩阵构造类内邻接图和类间邻接图； 第二确定单元，用于根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标维数和投影变换矩阵；第一映射单元，用于将所述原始训练样本集按照所述投影变换矩阵映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数； 第二映射单元，用于将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本； 第一分类单元，用于利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。
9.根据权利要求8所述的装置，其特征在于，该装置还包括: 第一降维单元，用于对所述原始训练样本集中的各个训练样本进行降维； 所述第一确定单元具体用于确定降维后的各个训练样本的同类近邻集合和异类近邻集合； 其中，
10.根据权利要求8所述的装置，其特征在于，所述第一分类单元包括: 第一计算模块，用于计算所述测试样本与所述判别子空间中的训练样本集的各个训练样本之间的距离； 第二确定模块，用于确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本。
【文档编号】G06K9/66GK103679161SQ201410003300
【公开日】2014年3月26日 申请日期:2014年1月3日 优先权日:2014年1月3日
【发明者】张莉, 丁春涛, 严晨, 王邦军, 何书萍, 李凡长, 杨季文 申请人:苏州大学