一种基于多视角典型相关分析的人脸识别方法及其系统的制作方法
【技术领域】
[0001] 本发明设及人脸识别技术领域，具体设及一种基于多视角典型相关分析的人脸识 别方法及其系统。
【背景技术】
[0002] 随着科技的快速发展，W及人们对于高效，便捷生活方式的不断追求，快速有效的 身份验证技术也得到了广泛的关注，例如在银行监控、n禁系统、出入境检查、刑事侦查等 诸多领域有广泛应用。身份验证所用到的生物特征多种多样，比如:人脸识别，视网膜识别， 指纹识别等。其中，人脸识别技术具有低成本，隐蔽性强，用户友好等优点在身份验证中具 有不可替代的作用。
[0003] 现有最经典的多视角人脸识别方法是基于MCCA的人脸识别方法，由于MCCA没有考 虑到局部数据之间的相关性，因此只是一种线性多视角降维技术，不能有效的发现隐藏在 高维多视角数据中的非线性信息。为了弥补MCCA不能有效的提取多视角人脸数据之间的非 线性信息又提出一种基于LapMCC的人脸识别方法。LapMCC是在MCCA的基础上结合了P-近邻 图，并假设样本点与邻近的样本点之间是线性相关的，将整体的非线性问题分解成多个线 性的子问题，从而可W发现多视角数据之间的非线性结构信息。
[0004] 但是，上述两种方法在反应更精细的局部结构方面仍有欠缺，不利于发现隐藏在 多视角数据中的结构信息，导致人脸识别效果不尽如人意，实际应用效果差。
【发明内容】
[0005] 本发明的目的是针对上述现有技术中存在的缺陷，提出的一种基于多视角典型相 关分析的人脸识别方法及其系统，可W实现有效的多视角人脸识别，提高人脸识别的可靠 性和稳定性。
[0006] 为了达到上述目的，本发明提出一种基于多视角典型相关分析的人脸识别方法， 包括W下步骤：
[0007] S1、对用于训练的人脸图像进行预处理，获得低维的多视角人脸图像信息；
[000引S2、对预处理后的人脸图像信息，分别计算每一视角的化SSian矩阵W及两两视角 之间的化SSian矩阵;其中，Hessian矩阵中包含有比Laplacian矩阵更精细的多视角数据之 间的局部相关性信息，更有利于发现隐藏在多视角数据中的结构信息；
[0009] S3、基于上述化SSian矩阵，分别计算每一视角及两两视角之间的协方差矩阵，由 此协方差矩阵中便包含了所需的局部相关性信息；
[0010] S4、在协方差矩阵的基础上构建投影空间模型；此模型比LapMCC模型就局部相关 性的精细程度而言更具优越性，从而达到更好的识别效果；
[0011] S5、求解上述模型得到投影空间；
[0012] S6、根据获得的投影空间，对待识别人脸图像进行分类识别。
[0013] 进一步的，所述步骤Sl之前还包括步骤SO、获取人脸图像并对其用特征向量表示， 所述人脸图像包括用于训练的人脸图像W及待识别的人脸图像。
[0014] 进一步的，所述步骤Sl中对用于训练的人脸图像预处理具体过程如下：
[0015] S11、由于化SSian矩阵设及二阶梯度，对噪声比较敏感，将向量表示的人脸图像数 据进行低通滤波，去掉高频噪声，获得低频子图；
[0016] S12、对去噪后的数据进行降维处理，获得预处理之后的多视角人脸图像信息，减 小识别计算量，提局识别精度。
[0017] 进一步的，所述步骤S3中求得协方差矩阵的具体过程如下：
[001引S31、分析计算第i视角的协方差矩阵，巧乂…//,.V"''，其中包含了第i视角的 // 局部结构信息；
[0019] S32、分析计算第i，j视角之间的协方差矩阵巧，其中包含了i，j两 巧… 个视角之间结构相关性的信息；
[0020] 其中，x("和X("分别表示第i，j视角预处理之后的输入图像特征，罐和巧分别表 示第i视角及第i，j视角之间的协方差矩阵，n表示训练样本图像数。
[0021] 进一步的，所述步骤S5求解投影空间的模型时采用拉格朗日乘子法，具体过程如 下：
[0022] S51、由投影空间模型获得方矛；
其中， 〇1和a汾别表示i，j视角的投影空间，巧巧分别表示第i视角及第i，j视角之间的协方差 矩阵，A为拉格朗日乘数；
[0023] S52、求解上述方程对Qi的偏导，并^
获得最 优投影空间；
[0024] S53、对步骤S52进行变换得到锭其中SL是块矩阵，其（i，j)块元素是
[00巧]S54、判断巧矩阵是否奇异，若是，则执行S55,否则执行S56直接求解投影空间； [00%] S55、W巧^巧+《处理方法对巧矩阵进行调整，其中S为非常小的正整数，I为单 位矩阵；
[0027] S56、获得投影空间。
[0028] 进一步的，所述步骤S4中利用协方差矩阵构建的投影空间模型为：
[0029]
[0030]
[0031] 其中，m表示视角个数，媽表示投影后两视角的相关系数。
[0032] 进一步的，所述步骤S12中对去噪后的数据采用K-L变换法进行降维处理。突出优 点是相关性好，可有效提高识别效率。
[0033] 进一步的，所述步骤S6中，对待分类人脸图像进行分类识别时，将作为训练样本的 人脸图像W及待识别人脸图像在获得的投影空间内投影，采用余弦最近邻的方法进行比 较，所谓的余弦最近邻就是求向量的夹角余弦，通过对夹角的比较实现快速准确的人脸识 别。
[0034] 本发明另外还提出一种基于多视角典型相关分析的人脸识别系统，包括：
[0035] 图像存储模块：用W获取人脸图像信息，所述人脸图像信息包括用于训练的人脸 图像W及待识别的人脸图像；
[0036] 图像处理模块:对获取的人脸图像采用特征向量表示；
[0037] 模型构建模块:对向量表示的用于训练的人脸图像预处理，获得低维的多视角人 脸图像信息，然后根据多视角人脸图像信息对人脸图像进行分析，获得投影空间；
[0038] 分类识别模块:将多视角人脸图像信息在获得的投影空间下投影，进而对待识别 人脸图像进行分类识别
[0039] 与现有技术相比，本发明的优点和积极效果在于：
[0040] 本发明通过对用于训练的人脸图像进行低通滤波获得低频子图，采用K-L变换对 去噪后的数据进行降维处理，获得低维多视角人脸图像信息，减小识别计算量，而且采用多 视角更能反应图像之间的相关信息，提高识别精度;然后对预处理后人脸图像数据计算各 视角及两两视角之间的Hessian矩阵，通过对样本图像训练生成多视角的特征空间， Hessian矩阵采用了更高的二阶梯度，能够反应出更精细的局部结构，更有利于发现隐藏在 多视角数据中的结构信息，从而达到更好的识别效果。
【附图说明】
[0041 ]图1为本发明实施例一所述人脸识别方法流程图；
[0042] 图2为图1中步骤Sl所采用的预处理方法的流程图；
[0043] 图3为图1中步骤S3计算协方差矩阵的流程图；
[0044] 图4为图1中步骤S5求解投影空间化SMC对莫型的流程图；
[0045] 图5为本发明实施例二所述人脸识别系统结构框图；
[0046] 图6为本发明人脸识别方法与其他方法识别效果对比图。
【具体实施方式】
[0047] 本发明提出一种基于多视角典型相关分析的人脸识别方法及其系统，下面结合不 同实施例对本发明做进一步地说明。
[0048] 实施例一、本发明提出一种基于多视角典型相关分析的人脸识别方法，参考图1， 包括W下步骤：
[0049] S1、对用于训练的人脸图像进行预处理，获得低维的多视角人脸图像信息；
[0050] S2、对预处理后的人脸图像信息，分别计算每一视角的化SSian矩阵W及两两视角 之间的化SSian矩阵;其中，Hessian矩阵中包含有比Laplacian矩阵更精细的多视角数据之 间的局部相关性信息，更有利于发现隐藏在多视角数据中的结构信息；
[0051] S3、基于上述化SSian矩阵，分别计算每一视角及两两视角之间的协方差矩阵，由 此协方差矩阵中便包含了所需的局部相关性信息；
[0052] S4、在协方差矩阵的基础上构建投影空间模型；此模型比LapMCC模型就局部相关 性的精细程度而言更具优越性，从而达到更好的识别效果；
[0053] S5、求解上述模型得到投影空间；
[0054] S6、根据获得的投影空间，对待识别人脸图像进行识别。
[0055] 在所述步骤Sl之前还包括步骤SO、获取人脸图像并对其用特征向量表示，所述人 脸图像包括用于训练的人脸图像W及待识别的人脸图像，用于训练的人脸图像的类别标签 是已知的，而待识别的人脸图像可W是用户输入的也可W是数据库中已经采集好的。接下 来，通过图像处理提取每幅人脸图像的特征，由此每幅图像可由一个特征向量进行表示。
[0056] 本实施例中，为减小识别计算量，提高识别精度，参考图2,对用于训练的人脸图像 预处理具体过程如下：S11、由于化SSian矩阵设及二阶梯度，对噪声比较敏感，将向量表示 的人脸图像数据进行低通滤波，去掉高频噪声，获得低