一种自适应近邻的人脸识别算法制造技术

本发明专利技术涉及一种自适应近邻的人脸识别算法，在对高维人脸数据进行降维时，采取自适应的方式，将邻接矩阵和投影矩阵都视为变量并互相约束，在每一次迭代中，都通过投影后的低维数据之间的距离关系重新选取近邻，并根据选取的近邻构建新的邻接矩阵，并更新投影矩阵，经过多次迭代，邻接矩阵和投影矩阵均趋于稳定，此时得到的投影矩阵应用于人脸识别中可以得到提高分类效果。

An adaptive close neighbor face recognition algorithm

The invention relates to a face recognition algorithm based on an adaptive neighbor, in dimensionality reduction of high-dimensional face data, adopt adaptive method, the adjacency matrix and projection matrix are considered as variables and constraint each other, at each iteration, the distance between the low dimensional projection data after the re select the nearest neighbor and, according to the construction of new selected neighbor adjacency matrix, and update the projection matrix, after several iterations, the adjacency matrix and projection matrix were stable and the projection matrix applied in face recognition can improve the classification effect.

【技术实现步骤摘要】
一种自适应近邻的人脸识别算法
本专利技术涉及数据挖掘、模式识别和图像处理领域。
技术介绍
人脸识别是一种利用脸部特征信息进行身份识别的一种生物识别技术，被广泛应用于金融、军事、司法、公共安全、教育以及医疗等多个领域。人脸图像数据具有维数高的特点，如何通过特征提取降低数据的维数，并保持其内在特征是人脸识别的研究重点。子空间分析方法是人脸识别领域的研究热点，其具有计算代价小，描述性强及可分性强等特点。传统的特征提取算法在计算投影矩阵时往往直接在原始空间中选取固定近邻，这样的近邻选取方式往往不准确。
技术实现思路
本专利技术的目的是改进现有技术的上述不足，提供一种可以提高人脸识别准确率的识别方法。本专利技术通过自适应的方式选取近邻，通过迭代的方式每次在投影子空间中重新选取近邻，使得选取的近邻更能体现数据本身的特性。技术方案如下：一种自适应近邻的人脸识别算法，在对高维人脸数据进行降维时，采取自适应的方式，将邻接矩阵和投影矩阵都视为变量并互相约束，在每一次迭代中，都通过投影后的低维数据之间的距离关系重新选取近邻，并根据选取的近邻构建新的邻接矩阵，并更新投影矩阵，经过多次迭代，邻接矩阵和投影矩阵均趋于稳定，此时得到的投影矩阵应用于人脸识别中可以得到提高分类效果，所采用的目标函数如下：其中，S为邻接矩阵，W为投影矩阵，WT为W的转置矩阵，x为样本，c为类别数，nl为每一类样本数，γ为正则化参数，通过迭代取得目标函数J的最小值。优选地，步骤1：对人脸数据库中的训练样本进行数据预处理，并根据样本点之间的欧式距离||xi-xj||2，定义初始化的邻接矩阵S，用来表示样本点两两之间的相似程度；步骤2：固定邻接矩阵S的值，更新投影矩阵W：对于每一类样本，分别根据拉普拉斯矩阵公式L＝D-S，其中D为对角矩阵，对角线上的元素为邻接矩阵S所对应的行和，将求解目标函数J的最小值转化为求解投影矩阵的最小值为投影矩阵W添加白化约束条件WTStW＝I，其中St为散布矩阵，可以表示为St＝XTHX，H为定心矩阵；步骤3：固定投影矩阵W的值，更新邻接矩阵S；根据近邻点之间在子空间的距离信息确定正则化参数γ的值，并为邻接矩阵S添加约束条件将γ和约束条件带入目标函数公式中，计算出更新后的邻接矩阵S；步骤4重复步骤2～3，不断更新S和W的值，直到达到设定的迭代次数或目标函数值趋于稳定，输出此时的投影矩阵W；步骤5使用求出的投影矩阵W对人脸数据库中的测试样本进行降维，对于每一个投影子空间上的测试样本点，选择该点与训练样本的低维映射数据库距离最小点标签作为类别标签，直到完成所有点的分类，并计算分类的识别率。本专利技术采用自适应的方式选取近邻，并随着投影矩阵的变化实时更新近邻点，在投影子空间中对投影矩阵和邻接矩阵进行约束提高了算法对原始数据中噪声的鲁棒性。提高了算法在人脸数据库分类上的识别率。具体实施方式传统特征提取算法在对高维人脸数据进行降维时，通常通过固定的邻接矩阵计算出投影矩阵，近邻的选取也都是固定的，仅取决于数据在原始空间的特征。而本专利技术则采取了自适应的方式，将邻接矩阵和投影矩阵都视为变量并互相约束。在每一次迭代中，都通过投影后的低维数据之间的距离关系重新选取近邻，并根据选取的近邻构建新的邻接矩阵，并更新投影矩阵。经过多次迭代，邻接矩阵和投影矩阵均趋于稳定。此时得到的投影矩阵应用于人脸识别中可以得到提高分类效果。目标函数的公式如下：其中S为邻接矩阵，W为投影矩阵，WT为W的转置矩阵，x为样本，c为类别数，nl为每一类样本数，γ为正则化参数。算法的目的是通过迭代取得目标函数J的最小值。本专利技术提出的一种自适应近邻的人脸识别算法具体步骤如下：步骤1对人脸数据库中的训练样本进行数据预处理，并根据样本点之间的欧式距离||xi-xj||2定义初始化的邻接矩阵S，用来表示样本点两两之间的相似程度。步骤2固定邻接矩阵S的值，更新投影矩阵W。对于每一类样本，分别根据拉普拉斯矩阵公式L＝D-S，其中D为对角矩阵，对角线上的元素为邻接矩阵S所对应的行和，将求解目标函数J的最小值转化为求解投影矩阵的最小值为投影矩阵W添加白化约束条件WTStW＝I，其中St为散布矩阵，可以表示为St＝XTHX，H为定心矩阵[1]，值为1为所有值均为1的列向量。根据白化约束条件计算出投影矩阵W。有关定心矩阵即Centeringmatrix的定义，可参见维基百科https://en.wikipedia.org/wiki/Centering_matrix或本专利技术列出的参考文献[1]：步骤3固定投影矩阵W的值，更新邻接矩阵S。根据近邻点之间在子空间的距离信息确定正则化参数γ的值，并为邻接矩阵S添加约束条件将γ和约束条件带入目标函数公式中，计算出更新后的邻接矩阵S。步骤4重复步骤2～3，不断更新S和W的值，直到达到设定的迭代次数或目标函数值趋于稳定，输出此时的投影矩阵W。步骤5使用求出的投影矩阵W对人脸数据库中的测试样本进行降维，对于每一个投影子空间上的测试样本点，选择该点与训练样本的低维映射数据库距离最小点标签作为类别标签，直到完成所有点的分类，并计算分类的识别率。为了验证算法的效果，将本专利技术所提算法与LDA、MFA、LFDA、LPP等算法进行比较，并在扩展Yale人脸数据库(YaleB)上进行实验，如表1所示。通过不同算法在相同实验条件下的识别率对比可知，本专利技术提出的算法与其他算法相比，在识别率上都有所提升。表1不同算法在YaleB数据库算法识别率(％)对比实施例如下：(1)选取YaleB数据库中38个人的3456张人脸图像，每张图像大小为192×168像素。(2)首先使用PCA算法对原始数据进行降维预处理，降维后的维数为180维。(3)设定实验中各参数的值，每一类数据训练样本数量分别设为5、10、20，近邻数分别设为3、5、5，根据近邻数设定初始邻接矩阵S。(4)设定降维后的投影维数d为38，计算出正则化参数γ。(5)根据选取的训练样本数量确定测试样本数量，并进行分类实验。本文档来自技高网...

【技术保护点】
一种自适应近邻的人脸识别算法，在对高维人脸数据进行降维时，采取自适应的方式，将邻接矩阵和投影矩阵都视为变量并互相约束，在每一次迭代中，都通过投影后的低维数据之间的距离关系重新选取近邻，并根据选取的近邻构建新的邻接矩阵，并更新投影矩阵，经过多次迭代，邻接矩阵和投影矩阵均趋于稳定，此时得到的投影矩阵应用于人脸识别中可以得到提高分类效果，所采用的目标函数如下：

【技术特征摘要】
1.一种自适应近邻的人脸识别算法，在对高维人脸数据进行降维时，采取自适应的方式，将邻接矩阵和投影矩阵都视为变量并互相约束，在每一次迭代中，都通过投影后的低维数据之间的距离关系重新选取近邻，并根据选取的近邻构建新的邻接矩阵，并更新投影矩阵，经过多次迭代，邻接矩阵和投影矩阵均趋于稳定，此时得到的投影矩阵应用于人脸识别中可以得到提高分类效果，所采用的目标函数如下：其中，S为邻接矩阵，W为投影矩阵，WT为W的转置矩阵，x为样本，c为类别数，nl为每一类样本数，γ为正则化参数，通过迭代取得目标函数J的最小值。2.根据权利要求1所述的自适应近邻的人脸识别算法，其特征在于，步骤1：对人脸数据库中的训练样本进行数据预处理，并根据样本点之间的欧式距离||xi-xj||2，定义初始化的邻接...

【专利技术属性】
技术研发人员：庞彦伟，周博，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12