一种基于邻域保持的鉴别嵌入人脸识别方法
【技术领域】
[0001] 本发明涉及人脸识别技术领域，具体涉及一种基于邻域保持的鉴别嵌入人脸识别 方法。
【背景技术】
[0002] 人脸识别的研宄对于图象处理、模式识别、计算机视觉和计算机图形学等领域 的发展具有巨大的推动作用，同时在生物特征认证，视频监控和安全等各个领域有着广 泛的应用。过去的几十年中发展出众多的人脸识别算法 [1，2]，其中子空间方法，如主成分 分析（Principal Component Analysis, PCA) [3'4]，鉴别成分分析（Linear Discriminant Analysis，LDA)[5]等受到广泛的研宄。Wang等人[6]提出了统一的人脸识别子空间模型并指 出主成分分析和贝叶斯分析实际上是LDA的中间结果。
[0003] 基于Fisher准则，LDA方法的优化目标函数如下：
[0004]
【主权项】
1. 一种基于邻域保持的鉴别嵌入人脸识别方法，其特征在于：包括以下步骤： 51 :利用Gabor小波变换获得图像局部区域内多个方向的空间频率（尺度）和局部性 结构特征，在2D形式中，Gabor滤波器定义为一个用高斯函数约束的平面波，其公式为：
利用上面定义的Gabor函数和图像的卷积求得Gabor小波变换， 52 :去除训练样本集离散度矩阵&的零空间，通过采用主成分分析算法PCA对训练样 本集进行初始降维，获得一次降维训练样本集和一次降维训练样本矩阵， 53 :在一次降维训练样本集中计算类内离散度矩阵5"的零空间N(SW)，5"的零空间 N(SW)中类内离散度矩阵的迹（或者行列式）为零， S4:然后在零空间N(SW)中通过最大化加权的类间离散度矩阵的迹（或行列式）P(SB) 得到增强身份差分量的（子空间）对应投影矩阵，公式为：N(SW)nP(SB)， S5 :Gabor小波变换和投影矩阵进行矩阵运算，得到降维后的一组向量来表示输入的 人脸图图像。
2. 根据权利要求1所述的一种基于邻域保持的鉴别嵌入人脸识别方法，其特征在于： 所述S2步骤中，计算一般类内离散度矩阵5"的零空间N(Sw)的具体步骤为：通过对一般类 内离散度矩阵Sw?行奇异值分解，得到零特征值对应的特征向量组所组成的S"的零空间 N(Sw)，记为Q=h，…，qk]。
3. 根据权利要求1所述的一种基于邻域保持的鉴别嵌入人脸识别方法，其特征在于： 所述步骤S2中是采用局部线性嵌入算法LLE来计算类内离散度矩阵Sw，具体包括以下步 骤：
不同类的节点之间的权重a 0,同类节点之间的权值和
相应的公式（2) 可以转变为：
其中P是线性投影矩阵，X= [Xl，x2, . . .，xn]是原始的数据矩阵，y是投影后的数据，A是权重矩阵，W=X(I-A)T(I-A)XT是类内度量矩阵，tr(_)表示求迹运算。
4. 根据权利要求1所述的一种基于邻域保持的鉴别嵌入人脸识别方法，其特征在于： 步骤S3中，通过求前t个最大的特征值对应的特征向量，即为所求的t个投影 向量，t个投影向量构成对应投影矩阵。
5.根据权利要求4所述的一种基于邻域保持的鉴别嵌入人脸识别方法，其特征在于： 步骤S3中，具体计算过程如下： 加权的类间离散度矩阵SB定义为公式（5):
其中dMz| |y|代表第i类和第j类的均值距离，w( ?)是一个单调递减函 数， 因此，
（6)基于零空间的 基于邻域保持的鉴别嵌入方法的公式为：
其中，Q是W的零特征值对应的特征向量。
【专利摘要】本发明涉及人脸识别技术领域，具体涉及一种基于邻域保持的鉴别嵌入人脸识别方法，包括S1：去除训练样集离散度矩阵ST的零空间，通过采用主成分分析算法PCA对训练样集进行初始降维，获得一次降维训练样集和一次降维训练样矩阵，S2：在一次降维训练样集中计算类内离散度矩阵SW的零空间N(SW)，SW的零空间N(SW)中类内离散度矩阵的迹(或者行列式)为零，S3：然后在零空间N(SW)中通过最大化加权的类间离散度矩阵的迹(或行列式)P(SB)得到增强身份差分量的(子空间)对应投影矩阵，公式为：N(SW)∩P(SB)。发明能够减轻人脸图像中的光照变化和表情等因素对鉴别信息提取的影响。
【IPC分类】G06K9-66, G06K9-00
【公开号】CN104573672
【申请号】CN201510044884
【发明人】朱顺痣, 陈思, 李铁军
【申请人】厦门理工学院
【公开日】2015年4月29日
【申请日】2015年1月29日