一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器技术方案

本申请公开了一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器，所述方法包括：对训练样本集进行初始降维，获得一次降维训练样本集和一次降维训练样本矩阵；采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记；采用二次投影矩阵对一次降维训练样本矩阵进行二次降维，得到二次降维训练样本矩阵，和二次降维训练样本集；建立测试样本，对所述测试验本进行两次降维，得到二次降维测试样本；提取与所述二次降维测试样本距离最近的二次降维训练样本，并把所述二次降维训练样本的类别标签赋予所述二次降维测试样本。相对于现有技术的降维方法，采用本申请提供的人脸识别方法，可以实现有监督学习，并且具有较高的识别率。

【技术实现步骤摘要】
一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器
本申请涉及人脸检测
，更具体地说，涉及一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器。
技术介绍
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，它由计算机分析人脸图像，从图像中提取有效信息并自动鉴别，人脸识别技术广泛应用于安全系统及人机交互等方面，已成为计算机视觉和模式识别领域中重要的研究课题之一。通常而言人脸图像都是以高维数据存储的，需要将训练数据集投影到低维空间进行降维。传统的降维算法分为线性降维及非线性降维，经典的线性降维算法有主分量分析(PCA)、线性判别分析(LDA)等。线性降维算法通过对训练样本的学习得到映射矩阵，再通过线性运算将高维空间的数据映射至低维空间，算法计算复杂度低，适合实时应用。但是，它对非线性分布数据的降维效果不佳。对于非线性分布的数据，我们可以采用流形学习的降维方法。因此，又出现了邻域保持嵌入(NeighborhoodPreservingEmbedding，NPE)算法，该方法适用于分布在流形上的数据，已经被成功地应用到人脸识别领域。但是NPE算法在进行线性重构时并没有对邻域种类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种监督邻域保持嵌入人脸识别方法，其特征在于，所述方法包括：对训练样本集进行初始降维，获得一次降维训练样本集和一次降维训练样本矩阵；采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记；采用二次投影矩阵对一次降维训练样本矩阵进行二次降维，得到二次降维训练样本矩阵，和二次降维训练样本集；建立测试样本，对所述测试样本进行两次降维，得到二次降维测试样本；提取与所述二次降维测试样本距离最近的二次降维训练样本，并把所述二次降维训练样本的类别标签赋予所述二次降维测试样本；所述对训练样本集进行初始降维，获得一次降维训练样本集和一次降维训练样本矩阵，包括：设训练样本集为ci＝{1,2,…,C}，其中d为样本的维数，n为样本数据的个数，C为数据的类别数；训练样本矩阵为X＝[x1,x2,...,xn]∈Rd×n；对训练样本集进行初始降维，获得一次降维训练样本集和一次降维训练样本矩阵X1＝P1TX，其中，P1是由PCA方法生成的投影矩阵，所述d1为一次降维训练样本集中样本的维数，且P1∈Rd×d1；采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记，包括：构建并采用类别散度矩阵H标记每个训练点的类别信息；具体的，对于训练样本若在所述的k近邻内且与具有相同的类别标签，则Hij＝-1；否则Hij＝+1；具体的，所述H定义为：所述表示的邻域集合，表示的邻域集合。2.根据权利要求1中的所述方法，其特征在于，所述二次降维的目标优化函数为：所述P为二次投影矩阵，Wij为权值系数矩阵W中第i行第j列的权值系数；其中重构权值系数矩阵W可通过最小二乘方法求得。3.根据权利要求2中的所述方法，其特征在于，包括：二次投影矩阵P通过对矩阵(2)进行特征分解得到；XLXT＝XMX...

【专利技术属性】
技术研发人员：张莉，包兴，赵梦梦，杨季文，王邦军，何书萍，李凡长，
申请(专利权)人：苏州大学，
类型：发明
国别省市：