= XjP，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。
[0097] 步骤103 ;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。
[0098] 上述过程也就是完成特征提取后，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，进行类别鉴定 的过程，具体操作为：
[0099] 对任意人脸图像，可用所述方法完成特征提取，得到每个图像的特征矩阵和转换 矩阵。
[0100] -个最近邻分类器被用来进行分类，Zi，Z2'''Zn为样本图像X1，X2…Xn的特征矩阵， X;-Z1=X。P兵1，2.，，：为Z冲的特征向量，= 刊'Z神却 1...却^ 个特征矩阵之间的距离，用欧氏距离定义
，而且每个图像都有一 个类别Ck。
[0101] 例如；一个测试图像x〇,其特征矩阵z〇通过z0=X〇P可得，如果有d(z〇,Zj)= minid(z〇,Zi)且XjGCk，贝ij可W下结论x〇ECk，完成分类。
[0102] 上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式 的系统实现，因此本发明还公开了一种系统，下面给出具体的实施例进行详细说明。
[0103] 请参阅附图2,为本发明实施例公开的一种基于二维判别特征的人脸识别系统结 构图，该系统具体包括：
[0104] 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。
[0105] 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。
[0106] 也就是人脸图像进行二维特征判别学习，通过一个特征分解问题计算投影矩阵， 进而完成特征降维。
[0107] 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。
[010引也就是利用投影矩阵对训练样本图像和测试样本图像进行二维判别特征的计算， 生成新的训练集和测试集，为测试做好准备。
[0109] 测试模块，用于测试样本图像的分类，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。
[0110] 也就是先利用提取的训练样本的二维判别特征进行最近邻分类器设计，然后将测 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。
[0111] 训练预处理模块201，用于测试前，根据具体实验要求完成对数据的初步处理。具 体操作如下：
[0112] W0化人脸数据集为实施例，具体方法如下；为了计算高效考虑，首先将人脸图像 数据集进行预处理；把所有原始的目标由（1024X1X400)变为（32X32X400)(共400幅 图像，40个类别，每类10个图像）进行实验，然后根据测试要求，随机选择每类图像的n幅 来进行训练，每类剩余的（10-n)幅用来做测试。
[0113] 训练模块202,用于人脸图像进行二维特征判别学习，通过一个特征分解问题计 算投影矩阵，进而完成特征降维。
[0114]对于任意给定的一个数据集，首先划分为原始训练集(由N个来自C 个类别的有标签图像样本XiGQmxn组成）和原始测试集Xt。（均为无标签样本），N为样本 总数，C是标签总数.Ni表示标签为i的样本总数：
[0115] 具体操作如下：
[0116] 基于训练集Xtt(为下文公式书写更加简洁，下文WX出现），首先构造一个加权近 邻图G;
[0117]定义图G为一个具有N个结点，第i个结点对应第i个图Xi。当结点i和j接近 时，我们在其间放置一条边。有一些方法可W用来衡量上述所说的"接近"；
[om] (a)k近邻姻果结点i在j的k近邻中或者j在i的k近邻中，则用一条边连接i 和j。
[011引化）e-nei曲borhoods;在IT中的两个矩阵的距离就是他们向量化表示中的欧氏 距离，如果距离||xi-Xj.|I<e，则结点i和j连接。
[0120] 注意沿里我们添加训练样本的标签信息（如果有）来提高判别能力，该个可W通 过限制每个图像的k近邻区分相同的类来实现。
[0121] 本发明采用（a)方法，其中k近邻采用最近邻。
[0122] 并且选择合适的权重：如果结点i和j之间连着一条边，则赋予一个相似权重Ay, 否则令Au=0,进而得到（NXN)的稀疏对称矩阵A。
[0123] Ay可W通过如下方法计算得到：
[0124] (a)Simple-minded;如果有且仅有i和j被一条边连接，那么令Ay= 1;
[0125](b)Heatkernel;如果结点i和j连接，令Au=exp{-||xi-Xjl|2/t}，t为一个参 数。
[0126]N。表示标签为c的样本个数，若";表示局部类间权重矩阵，3(")表示局部类内权重 矩阵，3(6'的第^門列的元素表示为或')，才'>的第^門列的元素表示为或'>，定义如 下：
[0131] 目标函数可W进行如下运算：
[0132]
[013引其中，义万^义^是局部类间散度矩阵用沪读示，义玄^义^是局部类内散度矩阵用 苗"i;对角阵或i=扣r'或> =艺,3,'d，Laplacian矩阵王阳=3*--义，方''=矿-才Vd是dXd 单位矩阵，Im是mXm的单位矩阵。
[0137] 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：
[0138] 假设A巧/最优迹率比值，满足
又有
〇
[0139] 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：
[0140]
[0141] 即求解g(A>) = 0,该就是所说的迹差问题。
[0142] 最优投影矩阵P可W如下计算：
[014引似将S时-1，沪')进行特征分解，算得W郝Vi，使得I
1，2,. . .，m)是沪>-乂声(")的特征向量，Vi(i= 1，2,. . .，m)是沪)-乂万的特征值；
[0147] (3)选择对应前d个最大的特征值特征向量Wi，合成转换矩阵Pt;
[014引（4)更蔚
[014引妨重复步骤（2)-(5)，直到满足终止条件IAw-入t|<e(￡是可变参数，一般 取0.01即可），输出P。
[0150] 测试预处理模块203,利用投影矩阵对训练样本图像和测试样本图像进行二维判 别特征的计算，生成新的训练集和测试集，为测试做好准备。具体操作如下：
[0151] 可W实现定义一个训练集和测试集合，即对于给定的数据集，首先划分为训练集 Xtf(由有标签样本组成）和测试集Xt。（均为无标签样本），将Xtf向投影P进行映射，Xi-Zi =xAi= 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；同样，将Xt。向投影进行映射Xj. -Zj.=XjP，获取二维判别特征，将其作为新的测试 集。
[0152] 测试模块204,用于测试样本图像的分类。首先利用提取的训练样本的二维判别特 征进行最近邻分类器设计，然后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。具体操作如下：
[0153] 对任意人脸图像，可用所述方法完成特征提取，得到每个图像的特征矩阵和转换 矩阵。一个最近邻分类器被用来进行分类。Zi，Z