一种基于二维判别特征的人脸识别方法与系统的制作方法
【技术领域】
[0001] 本申请设及计算机视觉和图像识别技术领域，更具体的说，是设及一种基于二维 判别特征的人脸识别方法与系统。
【背景技术】
[0002] 信息时代的飞速发展，使得人类社会日新月异，而数据与信息在此过程中的重要 性与日俱增。日常生活中，人脸图像随处可见，很多行业领域迫切希望能对其进行准确识 另IJ，该些需求使得人脸识别技术已经发展成为计算机视觉与模式识别中一个极其重要的研 究课题。人脸图像识别技术是通过计算机，将图像数字化，从而进行数据分析、特征提取，W 完成对人脸图像的类别判定。该技术在机器视觉系统、身份识别系统等领域有着重大的意 义，在应用中，所产生的社会与经济效益也是不可估量的。然而值得注意的是，人脸图像本 身包含的信息不是全部都有用的，其中夹杂着很多不利特征，该也使得特征提取的难度相 应增加。截止到目前，人脸图像别技术还有很大的发展空间，并且由于其巨大的研究价值和 商业价值，越来越多的研究者投身于此，并不断地优化现有技术W实现更为准确有效的人 脸识别。
[0003] 近年来，为了实现人脸图像特征提取，很多基于二维特征的提取方法相继被提出，W实现从二维图像矩阵中对图像特征的直接提取，其中较为典型的有2DPCA、2DLPP、2DLDA 等。然而该些算法也有一定的缺陷，例如2DPCA、2DLPP仅仅侧重图像的结构局部保留，而 2DLDA仅仅侧重二维判别特征提取，他们并不能够全面地实现对图像的特征提取。
[0004] 因此，提供一种更为全面有效的人脸图像识别方法，通过设计基于矩阵描述的判 别特征提取系统，可直接作用于人脸图像，保持图像像素间的拓扑结构和内在相关性，有效 提高系统效率，是本领域技术人员亟待解决的问题。此外，该识别方法基于迹比率的正交优 化问题，对图像直接进行二维特征判别学习，可W计算得到一个正交解，从而能够有效保持 基于欧氏距离的相似性。
【发明内容】
[0005] 有鉴于此，本发明提供了一种基于二维判别特征的人脸识别方法与系统，W克服 现有技术中由于真实世界中的样本数据维度较高，导致计算复杂度增加的问题，实现更为 有效和高效的人脸图像特征提取方案。
[0006] 为实现上述目的，本发明提供如下技术方案：
[0007] -种基于二维判别特征的人脸识别方法，基于优化一个正交的特征分解问题，该 方法包括：
[0008] 通过建立一个基于图像矩阵模式和迹比率的正交优化模型，对人脸图像直接进行 二维特征判别学习，通过紧凑局部类内散度和分离局部类间散度，优化一个特征分解问题， 得到用于样本外图像二维判别特征提取的投影矩阵Pe□ -Xd，同时保持图像像素间的拓扑 结构和内在相关性；
[0009] 将训练图像样本和测试图像样本投影到得到的二维判别特征子空间P，计算得到 其二维判别特征，用于最近邻分类器设计和测试图像的类别鉴定；
[0010] 样本外图像的归纳或测试主要通过将测试样本的二维特征输入最近邻分类器进 行归类，取与测试图像样本相似性最大或距离最小的训练图像样本的标签，用于人脸测试 图像的类别鉴定。
[0011] 上述的方法，可选的，所述通过建立一个基于图像矩阵模式和迹比率的正交优化 模型，对人脸图像直接进行二维特征判别学习，通过紧凑局部类内散度和分离局部类间散 度，优化一个特征分解问题，得到用于样本外图像二维判别特征提取的投影矩阵PG□ -Xd， 具体为：
[0012]对于任意给定的一个数据集，划分为原始训练集和原始测试集Xt。;其 中，原始训练集而由N个来自C个类别的有标签图像样本XiG□ -xn组成，原始 巧。试集Xt。均为无标签样本，N为样本总数，C是标签总数，N康示标签为i的样本总数：
[0013] 基于训练集Xtt，构造一个加权近邻图G，并且计算权重Ay从而得到稀疏对称矩阵 A;
[001引其中，N。表示标签为C的样本个数。令:i<W表示局部类间权重矩阵，]表示局部 类内权重矩阵，的第i行j列的元素表示为的第i行j列的元素表示为：i"'|。
[0017] 基于训练集，提出如下的基于迹比率的正交模型：
[0018]
[001引其中，表示局部类间权重矩阵，:i("'嗦示局部类内权重矩阵，36)的第i行j列 的元素表示为的第i行j列的元素表示为:$>>，Id是dXd单位矩阵。
[0020] 利用迹比率最优化问题的解决方法完成特征提取，求得投影矩阵P。
[0021] 利用矩阵计算，目标函数可W进行如下运算：
[0022]
[0024] 进而，可W将所述优化问题表示为如下特征问题：
[00 巧]
[002引其中，义严沪是局部类间散度矩阵用沪嗦示，义是局部类内散度矩阵用 苗"'；对角阵或;斗,带，瓦"' =Z,方i，Laplacian矩阵Z脚=3*--化 Id是dXd 单位矩阵，Im是mXm的单位矩阵。
[0027] 基于训练集，利用迹比率最优化问题的解决方法完成特征提取，求得投影矩阵P， 方法如下：
[0028] 假设A巧/最优迹率比值，满足
又有
根据一个理论：迹率比问题的解决方法，等价于找到 使得迹差函数为0的点，函数定义如下：
[0029]
[0030] 即求解g(A>) = 0,该就是所说的迹差问题。
[0031] 最优投影矩阵P可W如下计算：
[0032]
[0033] 上述的方法，可选的，所述将训练图像样本和测试图像样本投影到得到的二维判 别特征子空间P，计算得到其二维判别特征，用于最近邻分类器设计和测试图像的类别鉴 定，具体为：
[0034] 定义一个训练集和测试集合，即对于给定的数据集，划分为训练集Xtf和测试集 Xt。，其中，所述训练集Xtf由有标签样本组成，所述测试集Xt。均为无标签样本；
[00巧]Zi为将X向投影P进行映射，从而获取二维判别特征所构成的特征矩阵，定义如 下；X;-Zi=XiP,i= 1，2,...N;
[003引将Xtt向投影P进行映射，Xi-zi=XiP，i= 1，2,…N，从而获取二维判别特征，将 其作为新的训练集，用来进行最近邻分类器设计；
[0037] 将Xt。向投影进行映射X j.-Z j.= X jP，获取二维判别特征，将其作为新的测试集， 用于评估分类器模型的性能。
[0038] 上述的方法，可选的，样本外图像的归纳或测试主要通过将测试样本的二维特征 输入最近邻分类器进行归类，取与测试图像样本相似性最大或距离最小的训练图像样本的 标签，用于人脸测试图像的类别鉴定，具体为：
[0039] 对任意人脸图像，进行特征提取，得到每个图像的特征矩阵和转换矩阵；
[0040] 用一个最近邻分类器进行分类，Zi，Z2…Zw为样本图像Xi，X2…％的特征矩阵， X; - Z 1= X A i = 1，2,…N，立为Z冲的特征向量，z,=(巧(')，边?L-Z刮，2,=(却'Z與…Z 为两个特征矩阵之间的距离，用欧氏距离定义
并且每个图像都 有一个类别Ck;
[0041] 当一个测试图像为时，通过Z0=X〇P得到其特征矩阵z〇,若d(z〇,Zj)= minid(z〇,Zi)且XjGCk，贝ijx〇eCk，完成分类。
[0042] -种基于二维判别特征的人脸识别系统，基于优化一个正交的特征分解问题，该 系统包括：
[0043] 训练预处理模块，用于测试前，根据具体的实验要求完成对初始数据的初步处 理；
[0044]训练模块，用于通过建立一个基于图像矩阵模式和迹比率的正交优化模型，对人 脸图像直接进行二维特征判别学习，通过紧凑局部类内散度和分离局部类间散度，优化一 个特征分解问题，得到用于样本外图像二维判别特征提取的投影矩阵Pe□ -xd，同时保持 图像像素间的拓扑结构和内在相关性；
[0045] 测试预处理模块，用于将训练图像样本和测试图像样本投影到得到的二维判别特 征子空间P，计算得到其二维判别特征，用于最近邻分类器设计和测试图像的类别鉴定，为 测试做好准备；
[004