一种人脸识别方法及系统技术方案

本申请公开了一种人脸识别方法及系统，该方法包括利用PCA法对训练样本集进行初始降维，并利用训练样本的类别标签信息构造具有分类信息的矩阵，然后确定最优的二次投影矩阵，对初始降维训练样本集进行二次降维，然后对测试样本同样进行二次降维，在二次降维后的低维空间中进行分类。本申请通过二次降维处理，提高了人脸识别的准确度和效率。

【技术实现步骤摘要】
一种人脸识别方法及系统
本申请涉及模式识别
，更具体地说，涉及一种人脸识别方法及系统。
技术介绍
人脸是一种复杂、多变、高维的模式，在人脸识别中，需要把人脸数据从高维空间映射到低维子空间。由于人脸识别在身份验证、安全系统等方面具有广泛用途，因此人脸识别已经成为计算机视觉和模式识别中一个重要的研究领域。传统的人脸识别方法通常采用主元分析PCA(PrincipalComponentAnalysis)降维方法，但是该方法只适用于线性表示的数据。因此，又有人提出了近邻保持嵌入算法，该方法适用于流行数据。然而，近邻保持嵌入算方法在进行线性重构时没有获取全局结构信息和特征，并且没有对邻域做类别判断，把样本本身的类别信息忽略了，造成人脸识别率不高。
技术实现思路
有鉴于此，本申请提供了一种人脸识别方法及系统，用于解决现有人脸识别方法的识别率不高的问题。为了实现上述目的，现提出的方案如下：一种人脸识别方法，包括：利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵；利用训练样本的类别标签信息，构造一个具有分类信息的矩阵；确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集；利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本；利用最近邻分类器，对所述二次降维测试样本进行分类。优选地，所述利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵，具体为：定义训练样本集为xi∈RD，yi＝{1，2，…，c}是训练样本xi的类别标签信息，其中D是训练样本的维数，l为训练样本数据的个数，c为训练样本数据的类别数；利用主元分析降维法PCA对训练样本进行初始降维，获得初始降维训练样本集yi＝{1,2,…,c}；定义训练样本矩阵为X＝[x1,x2,...,xl]∈RD×l，初始降维训练样本矩阵X1＝Α1X，其中A1∈Rd×D是PCA降维法获得的一次投影矩阵。优选地，所述利用训练样本的类别标签信息，构造一个具有分类信息的矩阵，具体为：利用训练样本的类别标签信息yi，构造一个具有分类信息的矩阵：H＝[h1,h2,...,hl]∈Rc×l，其中当的类别标签yi＝c时，hi的第c个分量为1，其余为0。优选地，所述确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集，具体为：确定最优的二次投影矩阵A，将初始降维训练样本集进行二次降维，得到二次降维训练样本集其中x'i∈Rc，其中二次投影矩阵A确定过程如下：其中表示x'i的j个近邻点；β∈(0,+∞)、α∈(0,1)，α和β均是预先设定的值；W＝(wij)c×l为重构权值系数矩阵，其通过求解下面的优化问题来获得：且，满足其中，表示的第j个近邻样本，sij组成的稀疏重构权值矩阵S＝[s1,s2,...,sl]∈Rc×l,si,i＝1,2,...,l通过求解下面的优化问题来获得：且，满足其中，表示的第j个近邻样本，ε为大于0的预设常数，求解二次投影矩阵A得到：A＝β(X1MX1T+βX1X1T)-TX1HT其中M＝(I-(αS+(1-α)W))T(I-(αS+(1-α)W))，I为单位矩阵；二次降维训练样本矩阵为X2＝AX1。优选地，所述利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本，具体为：利用一次投影矩阵A1和二次投影矩阵A对测试样本x进行降维，得到二次降维测试样本：x'＝AA1x。优选地，所述利用最近邻分类器，对所述二次降维测试样本进行分类，具体为：计算所述二次降维测试样本x'与多个二次降维训练样本x'i之间的距离；确定与所述二次降维测试样本x'的距离最小的二次降维训练样本x'i，并将该二次降维训练样本x'i对应的类别标签yi赋予给所述二次降维测试样本x'。优选地，所述计算所述二次降维测试样本x'与多个二次降维训练样本x'i之间的距离，具体为：计算所述二次降维测试样本x'与多个二次降维训练样本x'i之间的欧氏距离。一种人脸识别系统，包括：初始降维单元，用于利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵；分析信息矩阵构建单元，用于利用训练样本的类别标签信息，构造一个具有分类信息的矩阵；二次降维单元，用于确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集；测试样本变换单元，用于利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本；分类单元，用于利用最近邻分类器，对所述二次降维测试样本进行分类。优选地，所述二次降维单元包括：二次投影矩阵确定单元，用于确定最优的二次投影矩阵；处理单元，用于将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集。优选地，所述分类单元包括：距离计算单元，用于计算所述二次降维测试样本x'与多个二次降维训练样本x'i之间的距离；距离比较单元，用于分别比较所述二次降维测试样本x'与多个二次降维训练样本x'i之间的距离，并将距离最小的二次降维训练样本x'i选取出来；类别标签确定单元，用于将选取出来的二次降维训练样本x'i对应的类别标签yi赋予给所述二次降维测试样本x'。从上述的技术方案可以看出，本申请公开的人脸识别方法，通过PCA法对训练样本集进行初始降维，并利用训练样本的类别标签信息构造具有分类信息的矩阵，然后确定最优的二次投影矩阵，对初始降维训练样本集进行二次降维，然后对测试样本同样进行二次降维，在二次降维后的低维空间中进行分类。通过二次降维处理，更加提高了人脸识别的准确度和效率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本申请实施例公开的一种人脸识别方法流程图；图2为本申请实施例公开的一种人脸识别系统结构示意图；图3为本申请实施例公开的二次降维单元结构图；图4为本申请实施例公开的分类单元结构图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。实施例一参见图1，图1为本申请实施例公开的一种人脸识别方法流程图。如图1所示，该方法包括：步骤101：利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵；具体地，主元分析法PCA是一种现有的降维方法，能够提供降维过程中用到的一次投影矩阵，通过一次投影矩阵将训练样本进行降维处理。步骤102：利用训练样本的类别标签信息，构造一个具有分类信息的矩阵；具体地，每一个训练样本都对应的有一个类别标签，该类别标签标明该训练样本的分类。步骤103：确定最优的二次投影矩阵，将所述初始本文档来自技高网...

【技术保护点】
一种人脸识别方法，其特征在于，包括：利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵；利用训练样本的类别标签信息，构造一个具有分类信息的矩阵；确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集；利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本；利用最近邻分类器，对所述二次降维测试样本进行分类。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵；利用训练样本的类别标签信息，构造一个具有分类信息的矩阵；确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集；利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本；利用最近邻分类器，对所述二次降维测试样本进行分类；所述利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵，具体为：定义训练样本集为xi∈RD,yi＝{1,2,…,c}是训练样本xi的类别标签信息，其中D是训练样本的维数，l为训练样本数据的个数，c为训练样本数据的类别数；利用主元分析降维法PCA对训练样本进行初始降维，获得初始降维训练样本集yi＝{1,2,…,c}；定义训练样本矩阵为X＝[x1,x2,...,xl]∈RD×l，初始降维训练样本矩阵X1＝Α1X，其中A1∈Rd×D是PCA降维法获得的一次投影矩阵；所述利用训练样本的类别标签信息，构造一个具有分类信息的矩阵，具体为：利用训练样本的类别标签信息yi，构造一个具有分类信息的矩阵：H＝[h1,h2,...,hl]∈Rc×l，其中当的类别标签yi＝c时，hi的第c个分量为1，其余为0；所述确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集，具体为：确定最优的二次投影矩阵A，将初始降维训练样本集进行二次降维，得到二次降维训练样本集其中x'i∈Rc，其中二次投影矩阵A确定过程如下：其中x'ij表示x'i的j个近邻点；β∈(0,+∞)、α∈(0,1)，α和β均是预先设定的值；W＝(wij)c×l为重构权值系数矩阵，其通过求解下面的优化问题来获得：且，满足其中，表示的第j个近邻样本，sij组成的稀疏重构权值矩阵S＝[s1,s2,...,sl]∈Rc×l,si,i＝1,2,...,l通过求解下面的优化问题来获得：且，满足其中，表示的第j个近邻样本，ε为大于0的预设常数，求解二次投影矩阵A得到：A＝β(X1MX1T+βX1X1T)-TX1HT其中M＝(I-(αS+(1-α)W))T(I-(αS+(1-α)W))，I为单位矩阵；二次降维训练样本矩阵为X2＝AX1。2.根据权利要求1所述的人脸识别方法，其特征在于，所述利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本，具体为：利用一次投影矩阵A1和二次投影矩阵A对测试样本x进行降维，得到二次降维测试样本：x'＝AA1x。3.根据权利要求2所述的人脸识别方法，其特征在于，所述利用最近邻分类器，对所述二次降维测试样本进行分类，具体为：计算所述二次降维测试样本x'与多个二次降维训练样本x'i之间的距离；确定与所述二次降维测试样本x'的距离最小的二次降维训练样本x'i，并将该二次降维训练样本x'i对应的类别标签yi赋予给所述二次降...

【专利技术属性】
技术研发人员：张莉，包兴，赵梦梦，王邦军，何书萍，杨季文，李凡长，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32