基于结构化因子分析的人脸识别方法技术

本发明专利技术公开了一种基于结构化因子分析的人脸识别方法，主要解决现有技术由于不能保持人脸图像数据的局部聚类特性和全局分布结构而导致的人脸识别准确率较低的问题。其实现步骤为：(1)划分人脸图像数据集；(2)对所有的训练样本数据进行聚类分析；(3)通过吉布斯采样计算最优特征投影矩阵；(4)提取所有测试样本数据和训练样本数据的低维特征；(5)识别人脸图像。本发明专利技术综合了人脸图像数据的局部聚类特性和全局分布结构，提高了人脸识别的准确率。

【技术实现步骤摘要】
基于结构化因子分析的人脸识别方法
本专利技术属于图像处理
，更进一步涉及模式识别和机器学习
中的一种基于结构化因子分析的人脸识别方法。本专利技术可应用于身份辨识和信息安全，通过提取维数较少的人脸特征，提高人脸识别的精度。
技术介绍
人脸识别技术是一种利用计算机分析人脸图像，从中提取有效视觉特征信息来进行身份鉴别的计算机技术。在现有的生物特征识别技术中，人脸识别技术具有操作简便和易于实现等优势而得到广泛采用。人脸图像的维数通常较高，不同人脸图像之间也具有较强的相似性，如果单纯利用原始人脸图像进行身份鉴别，会使人脸识别系统计算量较大而且影响识别效果。为解决上述问题，人们通常对高维的人脸图像进行降维处理，提取人脸图像的具有判别性的低维特征，提高人脸识别的准确率，降低人脸识别的计算量。华南师范大学提出的专利申请“基于非负矩阵分解和多种距离函数的人脸识别方法”(申请号：201110454407.8，公开号：CN102592148A)公开了一种基于非负矩阵分解的人脸识别方法，首先对训练数据进行非负矩阵分解，得到特征投影矩阵和每幅训练图像的低维特征，然后利用特征投影矩阵对测试数据进行的投影降维，得到每幅测试的低维特征，最后通过不同的距离度量方式比较测试图像的低维特征与各类训练图像的平均低维特征之间的相似度，并将测试图像划归为相似度最大的一类。该方法的不足是：在特征提取过程中，只对特征投影矩阵和训练图像的低维特征做非负性约束，忽略了人脸图像在高维特征空间中的局部聚类特性和全局分布结构，从而导致人脸识别的精度相对较低。浙江工业大学提出的专利申请“一种基于局部保持非负矩阵分解的增量学习人脸识别方法”(申请号：201310301539.6，公开号：CN103336960A)公开了一种基于局部保持非负矩阵分解的人脸识别方法，首先将每一张人脸图像规范化为同一规格的样本，然后运用局部保持非负矩阵分解方法计算初始样本的基矩阵和系数矩阵，对新来的样本运用增量的局部保持非负矩阵分解方法更新基矩阵和系数矩阵，最后通过最近邻分类器对降维后的人脸图像数据进行识别。该方法的不足是：在特征提取过程中，局部保持非负矩阵分解方法只考虑人脸图像在高维特征空间中的局部分布结构，忽略了其全局分布结构。BoJiang等人在文章“Graph-LaplacianPCA:Closed-formSolutionandRobustness”(IEEEConferenceonComputerVisionandPatternRecognition,2013,pp.3493-3498)中提出一种结构化主成分分析方法，该方法在原始主成分分析方法的基础上，加入了拉普拉斯特征映射约束项，既能保证人脸图像的重构误差最小，又能保持人脸图像的局部相似性结构，增强了该方法的低维数据表示能力。该方法存在的不足是：新样本数据的加入会破坏原有的局部近邻结构，从而导致对新样本数据提取的特征稳定性较差，限制了该方法的实际应用。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于结构化因子分析的人脸方法。本专利技术可以保持人脸图像数据的局部聚类特性和全局分布结构，提取稳定性较好的低维人脸特征，在低维特征空间中对人脸图形进行识别，减少人脸识别的计算量，提高人脸识别率。实现本专利技术的技术思路是，首先对训练样本数据进行聚类分析，获取相似人脸图像数据的局部聚类信息；然后提取聚类中心的低维特征，保持聚类中心在低维特征空间中的全局分布结构，使聚类中心所代表的不相似人脸图像数据在低维特征空间中相互分离；采用吉布斯采样方法计算最优特征投影矩阵，使提取的低维特征相对稳定，提高人脸识别的准确率。本专利技术实现的具体步骤如下：(1)划分人脸图像数据集(1a)从人脸图像数据库中提取待识别的人脸图像，将每一幅待识别的人脸图像的所有像素组成一个向量，得到每一幅待识别的人脸图像的特征向量；(1b)用每一幅待识别的人脸图像的特征向量除以该特征向量的模，得到归一化的样本数据；(1c)从所有的归一化样本数据中任意选取50％作为训练样本，将剩余的50％归一化样本数据作为测试样本。(2)进行聚类分析(2a)采用主成分分析方法，对所有的训练样本进行初始降维，得到初始特征投影矩阵和初始降维后的训练样本；(2b)采用K均值聚类方法，将初始降维后的训练样本划分到200个聚类中，得到每一个聚类的聚类中心。(3)提取聚类中心的低维特征采用拉普拉斯特征映射方法，提取每一个聚类的聚类中心的低维特征。(4)计算最优特征投影矩阵采用吉布斯采样方法，得到最优特征投影矩阵。(5)提取低维特征用最优特征投影矩阵分别与每一个测试样本和训练样本相乘，得到每一个测试样本和训练样本的低维特征。(6)识别人脸图像(6a)用任意一个测试样本的低维特征与任意一个训练样本的低维特征相减，得到低维特征差值，将低维特征差值的平方作为该测试样本与该训练样本之间的低维特征距离；(6b)将任意一个测试样本对应的人脸图像，标记为与其低维特征距离最小的训练样本对应的人脸图像的身份。本专利技术与现有方法相比具有如下优点：第一，由于本专利技术采用了K均值聚类方法对训练样本进行聚类分析，克服了现有技术无法保持人脸图像数据的局部聚类特性的缺点，使得本专利技术能够保持相似人脸图像数据的局部聚类特性，提高了人脸识别率。第二，由于本专利技术采用了拉普拉斯特征映射方法提取聚类中心的低维特征，克服了现有技术无法保持人脸图像数据的全局分布结构的缺点，使得本专利技术能够保持不相似人脸图像数据的全局分布结构，提高了人脸识别的准确率。第三，由于本专利技术采用了吉布斯采样方法计算最优的特征投影矩阵，克服了现有技术提取的低维特征稳定性较差的缺点，使的本专利技术能够提取稳定的人脸图像低维特征，利用维数较少的低维特征获得较高的人脸识别率。附图说明图1为本专利技术的流程图；图2为本专利技术仿真1的实验结果图；图3为本专利技术仿真2的实验结果图。具体实施方式下面结合附图对本专利技术作进一步的详细描述。结合附图1对本专利技术实现的步骤的详细描述如下。步骤1，划分人脸图像数据集。从人脸图像数据库中提取待识别的人脸图像，将每一幅待识别的人脸图像的所有像素组成一个向量，得到每一幅待识别的人脸图像的特征向量。用每一幅待识别的人脸图像的特征向量除以该特征向量的模，得到归一化的样本数据。从所有的归一化样本数据中任意选取50％作为训练样本，将剩余的50％归一化样本数据作为测试样本。步骤2，进行聚类分析。采用主成分分析方法，对所有的训练样本数据进行初始降维，得到初始特征投影矩阵和初始降维后的训练样本数据，主成分分析方法如下：按照下式，计算所有训练样本的平均值：其中，表示所有训练样本的平均值，at表示第t个训练样本，t＝1,2,…,n，n表示训练样本的个数。用每一个训练样本减去所有训练样本的平均值，得到每一个训练样本的偏差值。按照下式，构造所有训练样本的偏差矩阵：B＝[b1,b2,…,bt,…,bn]其中，B表示所有训练样本的偏差矩阵，bt表示第t个训练样本的偏差值，t＝1,2,…,n，n表示所有训练样本的个数。按照下式，计算所有训练样本的协方差矩阵：其中，Z表示所有训练样本的协方差矩阵，n表示所有训练样本的个数，B表示所有训练样本的偏差矩阵，T表示矩阵转置操作。采用特征值分本文档来自技高网...

【技术保护点】
一种基于结构化因子分析的人脸识别方法，包括如下步骤：(1)划分人脸图像数据集：(1a)从人脸图像数据库中提取待识别的人脸图像，将每一幅待识别的人脸图像的所有像素组成一个向量，得到每一幅待识别的人脸图像的特征向量；(1b)用每一幅待识别的人脸图像的特征向量除以该特征向量的模，得到归一化的样本数据；(1c)从所有的归一化样本数据中任意选取50％作为训练样本，将剩余的50％归一化样本数据作为测试样本；(2)进行聚类分析：(2a)采用主成分分析方法，对所有的训练样本进行初始降维，得到初始特征投影矩阵和初始降维后的训练样本；(2b)采用K均值聚类方法，将初始降维后的训练样本划分到200个聚类中，得到每一个聚类的聚类中心；(3)提取聚类中心的低维特征：采用拉普拉斯特征映射方法，提取每一个聚类的聚类中心的低维特征；(4)计算最优特征投影矩阵：采用吉布斯采样方法，得到最优特征投影矩阵；(5)提取低维特征：用最优特征投影矩阵分别与每一个测试样本和训练样本相乘，得到每一个测试样本和训练样本的低维特征；(6)识别人脸图像：(6a)用任意一个测试样本的低维特征与任意一个训练样本的低维特征相减，得到低维特征差值，将低维特征差值的平方作为该测试样本与该训练样本之间的低维特征距离；(6b)将任意一个测试样本对应的人脸图像，标记为与其低维特征距离最小的训练样本对应的人脸图像的身份。...

【技术特征摘要】
1.一种基于结构化因子分析的人脸识别方法，包括如下步骤：(1)划分人脸图像数据集：(1a)从人脸图像数据库中提取待识别的人脸图像，将每一幅待识别的人脸图像的所有像素组成一个向量，得到每一幅待识别的人脸图像的特征向量；(1b)用每一幅待识别的人脸图像的特征向量除以该特征向量的模，得到归一化的样本数据；(1c)从所有的归一化样本数据中任意选取50％作为训练样本，将剩余的50％归一化样本数据作为测试样本；(2)进行聚类分析：(2a)采用主成分分析方法，对所有的训练样本进行初始降维，得到初始特征投影矩阵和初始降维后的训练样本；(2b)采用K均值聚类方法，将初始降维后的训练样本划分到200个聚类中，得到代表相似人脸图像数据的局部聚类信息的聚类中心；(3)提取聚类中心的低维特征：采用拉普拉斯特征映射方法，提取聚类中心的低维特征，保持聚类中心在低维特征空间中的全局分布结构；(4)计算最优特征投影矩阵：采用吉布斯采样方法，得到最优因子协方差矩阵、最优因子载荷矩阵与最优特征投影矩阵；(5)提取低维特征：用最优特征投影矩阵分别与每一个测试样本和训练样本相乘，得到每一个测试样本和训练样本的低维特征；(6)识别人脸图像：(6a)用任意一个测试样本的低维特征与任意一个训练样本的低维特征相减，得到低维特征差值，将低维特征差值的平方作为该测试样本与该训练样本之间的低维特征距离；(6b)将任意一个测试样本对应的人脸图像，标记为与其低维特征距离最小的训练样本对应的人脸图像的身份。2.根据权利要求1所述的基于结构化因子分析的人脸识别方法，其特征在于，步骤(2a)所述主成分分析方法的步骤如下：第一步，按照下式，计算所有训练样本的平均值：其中，表示所有训练样本的平均值，at表示第t个训练样本，t＝1,2,…,n，n表示训练样本的个数；第二步，用每一个训练样本减去所有训练样本的平均值，得到每一个训练样本的偏差值；第三步，按照下式，构造所有训练样本的偏差矩阵：B＝[b1,b2,…,bt,…,bn]其中，B表示所有训练样本的偏差矩阵，bt表示第t个训练样本的偏差值，t＝1,2,…,n，n表示所有训练样本的个数；第四步，按照下式，计算所有训练样本的协方差矩阵：其中，Z表示所有训练样本的协方差矩阵，n表示所有训练样本的个数，B表示所有训练样本的偏差矩阵，T表示矩阵转置操作；第四步，采用特征值分解方法，计算所有训练样本的协方差矩阵的特征值和与特征值相对应的特征向量，将前m个最大特征值对应的特征向量组成初始特征投影矩阵，m表示初始降维的维数，其取值范围为100～200之间的整数；第五步，用初始特征投影矩阵与任意一个训练样本相乘，得到初始降维后的训练样本。3.根据权利要求1所述的基于结构化因子分析的人脸识别方法，其特征在于，步骤(3)所述拉普拉斯特征映射方法的步骤如下：第一步，将与任意一个聚类中心距离最近的q个聚类中心，组成该聚类中心的近邻集合，q的取值范围为3～7之间的整数；第二步，按照下式，计算所有聚类中心中每两个聚类中心之间的相似度：Wij＝rijexp(-2||ci-cj||2)其中，Wij表示第i个聚类中心与第j个聚类中...

【专利技术属性】
技术研发人员：高新波，刘卫芳，王秀美，高宪军，邓成，田春娜，王颖，牛振兴，韩冰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61