一种基于稀疏保持距离度量的人脸识别方法技术

本发明专利技术提供了一种基于稀疏保持距离度量的人脸识别方法，包括：步骤1，从所有已存储人脸数据中提取带标签信息的人脸数据，基于人脸数据使用最大边界理论构建距离度量算法的框架；步骤2，使用稀疏表示理论，挖掘样本间的稀疏结构化信息，构建稀疏权值矩阵；步骤3，构建稀疏保持优化函数，使得在新构建的距离度量空间中，样本的稀疏结构化信息得以最大化的保存；步骤4，利用正则化框架，将最大边界理论与稀疏保持优化函数结合得到稀疏保持距离度量；步骤5，使用特征描述子，提取待识别人脸的图像特征，并在稀疏保持距离度量下，进行人脸识别实验，对测试人脸数据进行分类。本发明专利技术具有识别精度高，参数少并充分利用标签样本与无标签样本等优点。

【技术实现步骤摘要】

本专利技术属于数据挖掘与人工智能
，具体涉及一种基于稀疏保持距离度量的人脸识别方法。
技术介绍
传统的身份验证方式—钥匙、口令等，存在繁琐、容易被盗取等缺点。随着多媒体时代的发展，这些传统的身份验证方式已经被逐渐取代。人脸识别技术就是当前应用极为广泛的身份验证方式之一。简单的说，人脸识别技术即是将待分类人脸数据进行处理，与数据库中人脸数据进行相关性比对，对捕捉的人脸进行识别。近些年，研究人员提出了很多人脸识别的方法，基于人脸模板匹配、维数约简、神经网络、SVM分类器等方法均在一定程度上取得了不错的人脸识别效果。然而，为了获得更好的人脸识别系统，使用一个恰当的距离度量来衡量人脸图像间的相似性是至关重要的。现有技术中很多距离度量算法(ITML，LMNN等)未充分利用所有无标签样本数据，并且大多数算法考虑了样本的类别标签而忽略样本间的空间位置信息，使得距离度量算法在很多应用中很难进一步提高识别精度。因此，使用一个恰当的距离度量算法对于很多应用(如人脸识别)具有至关重要的影响。
技术实现思路
本专利技术的目的在于针对现有技术中的不足，提供一种基于稀疏保持距离度量的人脸识别方法，充分利用所有样本数据(标签样本与无标签样本)，并充分保持样本数据的稀疏结构化信息，以提高人脸识别的精度。本专利技术的目的通过下述技术方案实现：一种基于稀疏保持距离度量的人脸识别方法，具体实现方法如下：步骤1，从所有已存储人脸数据中提取带标签信息的人脸数据，基于人脸数据，使用最大边界理论构建距离度量算法的框架；步骤2，使用稀疏表示理论，挖掘样本间的稀疏结构化信息，构建稀疏权值矩阵；步骤3，构建稀疏保持优化函数，使得在新构建的距离度量空间中，样本的稀疏结构化信息得以最大化的保存；步骤4，利用正则化框架，将最大边界理论与稀疏保持优化函数结合，得到稀疏保持距离度量；步骤5，使用特征描述子，提取待识别人脸的图像特征，并在稀疏保持距离度量下，进行人脸识别实验，对测试人脸数据进行分类。进一步，步骤1具体包括：根据样本的标签信息，计算在使用距离度量矩阵A的情况下，不同类样本间距离平方和，计算公式为：Σ(xi,xj)∈DdA2(xi,xj)=Σ(xi,xj)∈D(xi-xj)TA(xi-xj)---(1)]]>其中，(xi,xj)∈D表示样本xi与xj来自不同类，dA(xi,xj)表示在使用距离度量矩阵A的情况下，样本xi与xj之间的距离，T表示矩阵的转置；根据样本的标签信息，计算在使用距离度量矩阵A的情况下，相同类样本间距离平方和，计算公式为：Σ(xk,xl)∈SdA2(xk,xl)=Σ(xk,xl)∈S(xk-xl)TA(xk-xl)---(2)]]>其中，(xk,xl)∈S表示样本xk与xl来自同一类，dA(xk,xl)表示在使用距离度量矩阵A的情况下，样本xk与xl之间的距离，T表示矩阵的转置；使用最大边界理论，构建距离度量框架，使得在距离度量矩阵A下，不同类样本间距离之和最大的同时同类样本间距离之和最小，距离度量框架如下：max1NDΣ(xi,xj)∈DdA2(xi,xj)-α1NSΣ(xi,xj)∈SdA2(xk,xl)---(3)]]>其中，(xi,xj)∈D表示样本xi与xj来自不同类，(xk,xl)∈S表示样本xk与xl来自同一类，ND为集合D中约束对的个数，NS为集合S中约束对的个数，α为正则化参数，权衡不同类样本间距离之和与同类样本间距离之和的比例；将A＝WWT带入公式(3)进行求解，通过矩阵的特征分解，求得最优投影矩阵W，进而得到距离度量矩阵A；其中WT为W的转置矩阵。进一步，步骤3具体包括：通过保持稀疏表示构成样本间稀疏权值关系，构建稀疏保持优化函数如下：minWΣi=1n||WTxi-WTXsi||2---(10)]]>式中，si是除xi以外所有样本线性组成xi的稀疏系数，其表示xi与其他所有样本的稀疏相关性；X＝[x1,x2,…,xn]是由所有样本组成的字典矩阵；n为正整数；对公式(10)进行等价变换如下：minWΣi=1n||WTxi-WTXsi||2=2tr(WTX(I-S-ST+STS)XTW)---(11)]]>式中，S＝[s1,s2,…,sn]是稀疏权值矩阵；将公式(11)转化为最大化问题并加入约束条件如下：maxWtr(WTX(S+ST-STS)XTW)s.t.WTW=I---(12)]]>式中，S是稀疏权值矩阵，X为字典矩阵，W为投影矩阵。进一步，步骤4具体包括：将权利要求1步骤3中稀疏保持优化函数通过正则化结构加入距离度量框架中，得到稀疏保持距离度量的目标函数如下：maxWtr(WT(MD-αMS+βP)W)s.t.WTW=I---(13)]]>其中，且P＝X(S+ST-STS)XT，α与β均是正则化参数，用于均衡各部分的比重，以得到最优的度量子空间。与现有技术相比本专利技术的有益效果是：该方法恰当地保持了人脸数据样本间的稀疏结构化信息，并充分使用了大量的无标签人脸数据，使得距离度量算法对样本流形结构有更深入的理解，最终使得人脸识别系统的识别精度得到进一步提高。附图说明图1是本专利技术的流程图。图2是本专利技术不同类样本分散开且同类样本聚集的示意图；图3是不同距离度量方法在ORL人脸数据上的识别精度比较图；图4是不同距离度量方法在AR人脸数据上的识别精度比较图。具体实施方式下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。参图1所示，本实施例提供了一种基于稀疏保持距离度量的人脸识别方法，具体实现方法如下：步骤S1，从所有已存储人脸数据中(标签数据与无标签数据)提取带标签信息的人脸数据，基于人脸数据，使用最大边界理论构建距离度量算法的框架。具体包括以下步骤:步骤①.最大边界理论利用了所有的标签数据，使得在新的距离度量下，不同类样本间距离之和最大的同时，同类样本间距离之和最小。首先定义不同类间距离之和如下：Σ(xi,xj)∈DdA2(xi,xj)=Σ(xi,xj)∈D(xi-x本文档来自技高网...

【技术保护点】
一种基于稀疏保持距离度量的人脸识别方法，其特征在于，包括以下步骤：步骤1，从所有已存储人脸数据中提取带标签信息的人脸数据，基于所述人脸数据，使用最大边界理论构建距离度量算法的框架；步骤2，使用稀疏表示理论，挖掘样本间的稀疏结构化信息，构建稀疏权值矩阵；步骤3，构建稀疏保持优化函数，使得在新构建的距离度量空间中，样本的稀疏结构化信息得以最大化的保存；步骤4，利用正则化框架，将最大边界理论与稀疏保持优化函数结合，得到稀疏保持距离度量；步骤5，使用特征描述子，提取待识别人脸的图像特征，并在稀疏保持距离度量下，进行人脸识别实验，对测试人脸数据进行分类。

【技术特征摘要】
1.一种基于稀疏保持距离度量的人脸识别方法，其特征在于，包括以下步骤：
步骤1，从所有已存储人脸数据中提取带标签信息的人脸数据，基于所述人脸数据，使
用最大边界理论构建距离度量算法的框架；
步骤2，使用稀疏表示理论，挖掘样本间的稀疏结构化信息，构建稀疏权值矩阵；
步骤3，构建稀疏保持优化函数，使得在新构建的距离度量空间中，样本的稀疏结构化
信息得以最大化的保存；
步骤4，利用正则化框架，将最大边界理论与稀疏保持优化函数结合，得到稀疏保持距
离度量；
步骤5，使用特征描述子，提取待识别人脸的图像特征，并在稀疏保持距离度量下，进行
人脸识别实验，对测试人脸数据进行分类。
2.根据权利要求1所述的一种基于稀疏保持距离度量的人脸识别方法，其特征在于，所
述步骤1具体包括：
根据样本的标签信息，计算在使用距离度量矩阵A的情况下，不同类样本间距离平方
和，计算公式为：
Σ(xi,xj)∈DdA2(xi,xj)=Σ(xi,xj)∈D(xi-xj)TA(xi-xj)---(1)]]>其中，(xi,xj)∈D表示样本xi与xj来自不同类，dA(xi,xj)表示在使用距离度量矩阵A的情
况下，样本xi与xj之间的距离，T表示矩阵的转置；
根据样本的标签信息，计算在使用距离度量矩阵A的情况下，相同类样本间距离平方
和，计算公式为：
Σ(xk,xl)∈SdA2(xk,xl)=Σ(xk,xl)∈S(xk-xl)TA(xk-xl)---(2)]]>其中，(xk,xl)∈S表示样本xk与xl来自同一类，dA(xk,xl)表示在使用距离度量矩阵A的情
况下，样本xk与xl之间的距离，T表示矩阵的转置；
使用最大边界理论，构建距离度量框架，使得在距离度量矩阵A下，不同类样本间距离
之和最大的同时同类样本间距离之和最小，距离度量框架如下：
max1NDΣ(xi,xj)∈DdA2(xi,xj)-α1NSΣ(xi,xj)∈SdA2(xk,...

【专利技术属性】
技术研发人员：钱冬云，
申请(专利权)人：浙江工贸职业技术学院，
类型：发明
国别省市：浙江;33