一种人脸识别方法和装置的制造方法
【技术领域】
[0001] 本发明涉及人脸识别领域，更具体的说是涉及一种人脸识别方法和装置。
【背景技术】
[0002] 人脸识别已经发展成为计算机视觉中非常流行的一个研宄课题，同时也是在图像 分析领域最为成功的一个应用。人脸数据往往是高维数据，高维数据包含着丰富的信息，但 在很多情况下，有用的信息仅需高维数据中的一部分来表示。我们希望将少量有用的特征 取出，同时尽可能地减少数据失真度。此类数据的降维对可视化内在结构和模式分类起着 至关重要的作用。近年来，计算机视觉研宄中对感知观测的流形结构越来越多，如主成分分 析是用于当结构被线性的或几乎线性地嵌入在环境空间中。当类别信息可用时，线性判别 分析可以被用来找到一个最佳判别的线性子空间。与此同时，一些非线性技术也已经被提 出，例如拉普拉斯特征映射，有监督拉普拉斯判别分析，局部线性嵌等。这些非线性方法在 一些实际应用中表现出不俗的效果。
[0003] 当前提出的小样本有监督拉普拉斯判别分析（SupervisedLaplacian DiscriminantAnalysis，SLDA)，适用于小样本情况，但是由于该方法中没有明确最大化类 间散度，因而导致在投影空间的可分性不够好，人脸识别率不高。
【发明内容】
[0004] 有鉴于此，本发明提供一种人脸识别方法和装置，以提高人脸识别率，能更好地进 行人脸识别。
[0005] 为实现上述目的，本发明提供如下技术方案：
[0006] -种人脸识别方法，包括：
[0007] 获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样 本进行第一次降维；
[0008] 采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投 影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度；
[0009] 利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得 到子空间的测试数据样本；
[0010] 对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。
[0011] 优选的，所述对所述训练数据样本和所述测试数据样本进行第一次降维，包括：
[0012] 对所述训练数据样本进行PCA降维，得到第一投影矩阵Pi。
[0013] 优选的，所述采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分 析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度，包括：
[0014] A:计算预处理降维后数据的相似度矩阵S和差异性矩阵B;
[0015] 其中，
[0016]
【主权项】
1. 一种人脸识别方法，其特征在于，包括： 获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进 行第一次降维； 采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩 阵，所述目标函数中包含最小化类间散度和最大化类间散度； 利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子 空间的测试数据样本； 对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。
2. 根据权利要求1所述的方法，其特征在于，对所述训练数据样本和所述测试数据样 本进行第一次降维，包括： 对所述训练数据样本进行PCA降维，得到第一投影矩阵Pp
3. 根据权利要求2所述的方法，其特征在于，所述采用目标函数对降维后的所述训练 数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散 度和最大化类间散度，包括： A:计算预处理降维后数据的相似度矩阵S和差异性矩阵B; 其中，
其中和A^+C/)分别表示样本X和^的同类近邻集合，且^与I类别相同； 和iVfC/)分别表示样本$和&的异类近邻集合，且I与^类别不相同； B:计算局部拉普拉斯散度矩阵&，非局部拉普拉斯散度矩阵SN，以及它们的和ST与差SD： 其中L = s'-s，s'是对角矩阵，S，ii=E jSiJ; 其中N =B'-B，B'是对角矩阵，B' ii=E jBiJ; ST=SL+SN，且SD=SL_SN; c:对矩阵ST进行特征分解，取其非零特征值A i和非零特征值对应的向量Ui，分别组 成矩阵A和U，其中A是对角矩阵且Aii=人yU的第i列是七，令P2 =UA_T. 5 D:将\在P2上投影，得到^对S'D进行特征分解，取最小的r个特征值对 应的特征向量，组成一个矩阵p3; E:输出最终投影矩阵：P=PRP3。
4. 一种人脸识别装置，其特征在于，包括： 数据采集和预处理模块，用于获取人脸训练数据样本和测试数据样本，对所述训练数 据样本和所述测试数据样本进行第一次降维； 投影矩阵输出模块，用于采用目标函数对降维后的所述训练数据样本进行拉普拉斯判 别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度； 测试样本降维模块，用于利用所述最终投影矩阵对经过降维处理后的所述测试样本数 据进行二次降维，得到子空间的测试数据样本； 分类模块，用于对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。
5. 根据权利要求4所述的装置，其特征在于，所述数据采集和预处理模块包括： 数据采集子模块，用于获取人脸训练数据样本和测试数据样本； 降维子模块，用于对所述训练数据样本进行PCA降维，得到第一投影矩阵Pi，并对测试 数据进行第一次降维。
6. 根据权利要求5所述的装置，其特征在于，所述投影矩阵输出模块包括： 第一计算单元，用于计算预处理降维后数据的相似度矩阵S和差异性矩阵B; 其中，
其中<(/)和<(/)分别表示样本$和》的同类近邻集合，且&与》类别相同；A^(〇 和分别表示样本$和的异类近邻集合，且&与I类别不相同； 第二计算单元，用于计算局部拉普拉斯散度矩阵非局部拉普拉斯散度矩阵SN，以及 它们的和&与差SD: S￡=又Lf其中L=S'-S，S' 是对角矩阵，S，ii=EjSiJ; 其中n=B'-B，B' 是对角矩阵，B，jBiJ; ST=SL+SN，且SD=SL_SN; 第一特征提取单元，用于对矩阵ST进行特征分解，取其非零特征值X,和非零特征值对 应的向量Ui，分别组成矩阵A和U，其中A是对角矩阵且Aii=Ai，U的第i列是Ui，令 _1 P2 = UA"2 . 第二特征提取单元，用于将4在P2上投影，得到S,, =P:yS/;P:，对s'D进行特征分解，取 最小的r个特征值对应的特征向量，组成一个矩阵p3; 输出单元，用于输出最终投影矩阵：p=Pip2p3。
【专利摘要】本发明提供一种人脸识别方法和装置。该方法在原有的小样本有监督拉普拉斯判别分析的基础上进行改进，在最小化类内散度的目标函数中融入了最大化类间散度，使用拉普拉斯判别分析，通过实现最优目标函数求得投影矩阵，对高维人脸数据进行降维。在用此种方法降维后，对人脸图像识别率比原SLDA方法高，能更好地进行人脸识别。
【IPC分类】G06K9-62, G06K9-00
【公开号】CN104616000
【申请号】CN201510089247
【发明人】张莉, 罗璇, 王邦军, 张召, 李凡长, 杨季文
【申请人】苏州大学
【公开日】2015年5月13日
【申请日】2015年2月27日