一种基于局部线性表示领域适应度量的人脸识别方法与流程

本发明属于人脸识别技术领域，特别是涉及一种基于局部线性表示领域适应度量的人脸识别方法。

背景技术：

人脸识别是机器视觉生物认证主要产品形式之一，是公共安全、日常生活等必备技术。近年来，人脸识别应用范围不断增加，并要求具有高准确性。而在其设备成像过程中，由于光照、遮挡及姿势标签等原因，导致人脸识别算法无法有效提取特征，这些缺陷影响了算法识别率，降低了人脸识别技术在实际使用中的效果，甚至带来安全隐患。故人脸识别算法稳定性尤为重要。

人脸识别算法经历了多个发展阶段。如获取低维度的表征，基于局部特征的人脸识别，基于学习的局部描述子方法。目前又有基于深度神经网络的深度学习方法，该方法识别能力强、鲁棒好，但是结构复杂，计算量极大。如何获得一种识别能力强、鲁棒好，同时时间空间复杂度较小，对于少量训练集样本仍然保持较好识别效果的方法，成为人脸识别的热门话题。

技术实现要素：

本发明旨在克服现有技术不足，目的是提供一种能提高模型识别能力和鲁棒性、降低时间空间复杂度的一种局部线性表示领域适应度量的人脸识别方法。

为实现上述技术方案，本发明采用的技术方案的具体步骤是：

s1、对采集的人脸图像进行预处理，得到预处理后的人脸图像向量数据矩阵x＝[x1，x2，…，xc]，其中：c是类别数，m是向量化后的特征维度，nc是第c个类的图像类别数量，1≤c≤c；

s2、对于第c个类xc，从xc中选取一幅图像预处理后的向量数据点xi，选取与一幅图像预处理后的向量数据点xi欧氏距离最近的k个向量数据点xi1，xi2，…，xik，对一幅图像预处理后的向量数据点xi进行局部线性表示，最小化线性表示均方误差函数，得到最小线性表示系数向量wc，将权重系数向量wc扩充到n维，其中具有近邻关系的向量点之间最小线性表示系数不变，其他为0；

s3、对图像向量数据矩阵x中其余类的数据点，重复上述步骤，得到所有类别的权重系数矩阵w＝[w1，w2，…，wc]∈r^n×n，其中n是所有预处理后的图像的总数目，

s4、基于计算出的权重系数矩阵w＝[w1，w2，…，wc]∈r^n×n，计算每个类的重建误差，得到重建误差矩阵r＝[r1，r2，…，rc]；

s5、对预处理后的人脸图像向量数据矩阵x＝[x1，x2，…，xc]的训练数据集xs和测试数据集xt的任一数据点xj，重复步骤s2，s3，s4，分别得到训练数据集xs中的重构误差矩阵rs＝[rs1，rs2，…，rsc]和测试数据集xt的重构误差矩阵rt＝[rt1，rt2，…，rtc]；

s6、基于所述重建误差矩阵，构建目标函数，得到低维投影矩阵a；

s7、基于所述低维投影矩阵，对于一幅图像预处理后的向量数据点xi，计算其经过线性投影后的低维特征yi；

s8、使用最近邻算法对所述低维特征yi进行分类，实现人脸特征的识别。

进一步的、根据权利要求1所述的基于局部线性表示领域适应度量的人脸识别方法，其特征在于，步骤s1中对采集的人脸图像进行预处理包括依次进行的灰度化处理、平滑处理、归一化处理和向量化处理。

进一步的、根据权利要求1所述的基于局部线性表示领域适应度量的人脸识别方法，其特征在于，步骤s2中，所述最小线性表示均方误差函数为：

其中：xi表示一幅图像预处理后的向量数据点，即xc的第i列，

xij(j＝1，2，...，k)表示xc中与一幅图像预处理后的向量数据点xi欧氏距离最近的k个向量数据点，

wi，j表示第i幅图像的j个近邻点的权重系数，即wc中的第i行的每一列。

进一步的、根据权利要求1所述的基于局部线性表示领域适应度量的人脸识别方法，其特征在于，步骤s4中，每个类的重建误差矩阵表示为：

其中：t表示矩阵的转置操作；

i是与wc维度相同的单位矩阵。

进一步的、根据权利要求1所述的基于局部线性表示领域适应度量的人脸识别方法，其特征在于，步骤s6具体包括：

s61、施加一个微小的扰动使rc成为正定矩阵：

其中：ic是与准数相同的单位矩阵；

δ表示扰动大小；

s62、使用log-euclidean距离度量不同对称正定矩阵rc之间的距离，建立多流形之间的散度sm：

s63、使用log-euclidean距离度量训练数据集xs和测试数据集xt的相异度sd：

s64、在低维空间内，建立目标函数：

s.t.a^ta＝i

其中，a∈r^d×n表示低维投影矩阵，

d是降维后的空间维度，

log(·)表示以e为底的矩阵对数运算；

i表示单位矩阵。

进一步的、根据权利要求1所述的基于局部线性表示领域适应度量的人脸识别方法，其特征在于，步骤s6中，经过线性投影后的低维特征yi表示为：

yi＝a^txi(7)

由于采用上述技术方案，本发明的有益效果是：

本发明采用局部线性表示领域适应度量的人脸识别方法，一方面对于一幅人脸图像预处理后的向量数据点xi，分别从所有幅人脸图像预处理后的向量数据点构成矩阵数据x中，选择与一幅人脸图像预处理后的向量数据点xi，类别相同的k个近邻点建立流形局部线性表示，然后用log-euclidean距离度量流形局部线性表示之间的多流形散度，在保持流形局部结构不变的基础上，最大化多流形散度来寻找低维投影矩阵a，另一方面，为了保证在投影后的空间中源数据域与目标数据域之间的相似性，最小化二者的协方差距离，以此实现人脸图像的判别特征提取，提高了人脸识别的效果。

因此，本发明通过最大化源数据域与目标数据域之间的相似性特征，具有识别能力强、鲁棒好，同时时间空间复杂度较小，对于少量训练集样本仍然保持较好识别效果的特点。

具体实施方式

下面结合具体实施方式对本发明作进一步的描述，并非对其保护范围的限制。

实施例1

一种基于局部线性表示领域适应度量的人脸识别方法。本实施例所述方法的具体步骤是：

步骤一、对采集的人脸图像进行的灰度化处理、平滑处理、归一化处理和向量化处理，得到预处理后的人脸图像向量数据矩阵x＝[x1，x2，…，xc]，其中：c是类别数，m是向量化后的特征维度，nc是第c个类的图像类别数量，1≤c≤c；

步骤二、对于第c个类xc，从xc中选取一幅图像预处理后的向量数据点xi，选取与一幅图像预处理后的向量数据点xi欧氏距离最近的k个向量数据点xi1，xi2，…，xik，对一幅图像预处理后的向量数据点xi进行局部线性表示，最小化线性表示均方误差函数，最小线性表示均方误差函数为：

其中：xi表示一幅图像预处理后的向量数据点，即xc的第i列，

xij(j＝1，2，...，k表示xc中与一幅图像预处理后的向量数据点xi欧氏距离最近的k个向量数据点，

wi，j表示第i幅图像的j个近邻点的权重系数，即wc中的第i行的每一列。

计算得到最小线性表示系数向量wc，将权重系数向量wc扩充到n维，其中具有近邻关系的向量点之间最小线性表示系数不变，其他为0；

步骤三、对图像向量数据矩阵x中其余类的数据点，重复上述步骤，得到所有类别的权重系数矩阵w＝[w1，w2，…，wc]∈r^n×n，其中n是所有预处理后的图像的总数目，

步骤四、基于计算出的权重系数矩阵w＝[w1，w2，…，wc]∈r^n×n，每个类的重建误差矩阵表示为：

其中：t表示矩阵的转置操作；

i是与wc维度相同的单位矩阵。

计算每个类的重建误差，得到重建误差矩阵r＝[r1，r2，…，rc]；

步骤五、对预处理后的人脸图像向量数据矩阵，x＝[x1，x2，…，xc]的训练数据集xs和测试数据集xt的任一数据点xj，重复步骤s2，s3，s4，分别得到训练数据集xs中的重构误差矩阵rs＝[rs1，rs2，…，rsc]和测试数据集xt的重构误差矩阵rt＝[rt1，rt2，…，rtc]；

步骤六、施加一个微小的扰动使rc成为正定矩阵：

其中：ic是与维数相同的单位矩阵；

δ表示扰动大小；

然后使用log-euclidean距离度量不同对称正定矩阵rc之间的距离，建立多流形之间的散度sm：

使用log-euclidean距离度量训练数据集xs和测试数据集xt的相异度sd：

在低维空间内，建立目标函数：

其中，a∈r^d×n表示低维投影矩阵，

d是降维后的空间维度，

log(·)表示以e为底的矩阵对数运算；

i表示单位矩阵。

最大化目标函数获得矩阵a。

步骤七、基于所述低维投影矩阵，对于一幅图像预处理后的向量数据点xi，经过线性投影后的低维特征yi表示为：

yi＝a^txi(7)

计算其经过线性投影后的低维特征yi；

步骤八、使用最近邻算法对所述低维特征yi进行分类，实现人脸特征的识别。

本具体实施方式的有益效果是：

本发明采用基于局部线性表示领域适应度量的人脸识别方法，一方面对于一幅人脸图像预处理后的向量数据点xi，分别从所有幅人脸图像预处理后的向量数据点构成矩阵数据x中，选择与一幅人脸图像预处理后的向量数据点xi，类别相同的k个近邻点建立流形局部线性表示，然后用log-euclidean距离度量流形局部线性表示之间的多流形散度，在保持流形局部结构不变的基础上，最大化多流形散度来寻找低维投影矩阵a，另一方面，为了保证在投影后的空间中源数据域与目标数据域之间的相似性，最小化二者的协方差距离，以此实现人脸图像的判别特征提取，提高了人脸识别的效果。

因此，本发明通过最大化源数据域与目标数据域之间的相似性特征，具有识别能力强、鲁棒好，同时时间空间复杂度较小，对于少量训练集样本仍然保持较好识别效果的特点。