基于彩色特征双重多核鉴别相关性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彩色特征双重多核鉴别相关性分析的人脸识别方法，将多核子空间学习技术应用到彩色人脸特征的双重鉴别相关性分析中，对三个彩色分量分别使用三个不同的非线性核映射，再进行特征层双重鉴别相关性分析。对于双重多核鉴别相关性分析获取的特征，使用基于相关性度量的最近邻分类器进行分类和识别。本发明专利技术识别效果更高，对R、G、B三个彩色分量的特征进行双重多核鉴别相关性分析之后，鉴别特征的分类能力得到了明显增强。

【技术实现步骤摘要】
基于彩色特征双重多核鉴别相关性分析的人脸识别方法
本专利技术涉及一种基于彩色特征双重多核鉴别相关性分析的人脸识别方法，属于人脸识别领域。
技术介绍
现有基于RGB彩色特征双重鉴别相关性分析的人脸识别方法(CDDCA)(公开号CN103116742A)，将线性鉴别相关性分析技术同时应用到R、G、B三个彩色分量内部和三个彩色分量之间，在各个彩色分量内部和不同彩色分量之间实现基于相关性度量的特征层双重鉴别分析。具体做法如下：其中，wR、wG、wB分别是待求的R、G、B三个彩色分量的投影向量，和分别表示第i个彩色分量训练样本集内部的类内特征相关性矩阵和类间特征相关性矩阵，和分别表示第i和第j个彩色分量训练样本集之间的类内特征相关性矩阵和类间特征相关性矩阵，α＞0、β＞0、γ＞0是三个可调的权重系数。CDDCA是基于线性的技术，很难充分适应人脸图像复杂的非线性特性(例如，光照变化、表情变化、姿态变化等)，从而难以保证识别效果。
技术实现思路
为解决上述问题，本专利技术所要解决的技术问题是提供一种基于彩色特征双重多核鉴别相关性分析的人脸识别方法，将多核子空间学习技术应用到彩色人脸特征的双重鉴别相关性分析中。对三个彩色分量分别使用三个不同的非线性核映射，再进行特征层双重鉴别相关性分析。对于双重多核鉴别相关性分析获取的特征，使用基于相关性度量的最近邻分类器进行分类和识别。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种基于彩色特征双重多核鉴别相关性分析的人脸识别方法，其特征在于，包括如下步骤：步骤1，获得各彩色分量训练样本集，定义各彩色分量训练样本集内部的类内核特征相关性矩阵和类间核特征相关性矩阵、以及各彩色分量训练样本集之间的类内核特征相关性矩阵和类间核特征相关性矩阵；步骤2，定义目标函数并加入多核组合系数，对目标函数求解，得到投影后的训练样本特征集；步骤3，获得测试样本，根据上述投影后的训练样本特征集，得出投影后的测试样本特征，使用基于相关性度量的最近邻分类器对测试样本进行分类和识别。作为本专利技术的进一步优化方案，步骤1中包括：定义第i个彩色分量训练样本集内部的类内核特征相关性矩阵和类间核特征相关性矩阵以及第i和第j个彩色分量训练样本集之间的类内核特征相关性矩阵和类间核特征相关性矩阵如下：其中，XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示R、G、B三个彩色分量训练样本集，n表示所有彩色人脸图像训练样本的个数，d表示彩色分量训练样本的维数，Rd×n表示d×n维的欧几里得空间；c表示彩色人脸图像训练样本的类别数；i和j分别表示第i个和第j个彩色分量，i＝R,G，B，j＝R,G，B，i≠j；p和q分别表示彩色人脸图像的第p类和第q类，p＝1,2,…,c，q＝1,2,…,c，p≠q；np和nq分别表示第p类和第q类的彩色人脸图像训练样本个数；和分别表示Xi中第p类的第r个样本和第t个样本，表示Xj中第p类的第t个样本，和分别表示Xi和Xj中第q类的第t个样本，Rd表示d维的欧几里得空间；φi(·)和φj(·)分别表示第i个和第j个彩色分量的核映射，将第i个和第j个彩色分量样本从原始d维的线性空间Rd映射到非线性高维核空间Hi和Hj，Hi和Hj的维数分别为和和分别表示φi(Xi)和φj(Xj)中所有样本的均值；和分别表示中心化后的φi(Xi)和φj(Xj)，中心化是指所有样本的均值是一个零向量；和分别表示中第p类的第r个样本和第t个样本，表示中第p类的第t个样本，和分别表示和中第q类的第t个样本T表示转置；Wi和Wj分别表示第i个和第j个彩色分量的投影变换，将核映射后的第i个和第j个彩色分量样本维数从和降低到DL，分别表示核映射后R、G、B三个彩色分量样本维数，和分别是和的投影系数矩阵，表示n×DL维的欧几里得空间；和分别表示和的核矩阵，Ki∈Rn×n和Kj∈Rn×n分别表示Xi和Xj的核矩阵，Rn×n表示n×n维的欧几里得空间，En表示一个n阶所有元素都为1的方阵；tr(·)表示方阵的迹；表示一个np阶所有元素都为1的方阵；且，作为本专利技术的进一步优化方案，定义目标函数为：式中，FR、FG、FB分别表示的投影系数矩阵；将目标函数改写为：进一步改写为：加入多核组合系数，即用替换替换得出：式中，ωR、ωG、ωB分别表示多核学习中对应核函数kR、kG、kB的多核组合系数，kR、kG、kB分别表示核映射φR(·)、φG(·)、φB(·)对应的核函数；ωi和ωj分别表示多核学习中对应核函数ki和kj的多核组合系数，ki和kj分别表示核映射φi(·)和φj(·)对应的核函数。作为本专利技术的进一步优化方案，对上述目标函数求解，得到各彩色分量的投影系数矩阵和多核组合系数，求解迭代方法如下：4-1)初始化ωR＝1/3、ωG＝1/3、ωB＝1/3、v1＝-1030，v1为中间变量，ωR、ωG、ωB分别表示多核学习中对应核函数kR、kG、kB的多核组合系数，kR、kG、kB分别表示核映射φR(·)、φG(·)、φB(·)对应的核函数，φR(·)、φG(·)、φB(·)分别表示R、G、B三个彩色分量的核映射；4-2)根据已知的ωR、ωG、ωB的值，按照下面的公式求解FR、FG、FB：使用拉格朗日乘子法求解公式(9)，得到如下的广义特征方程：PF＝QΛF，(10)式中，分别表示的核矩阵，分别表示中心化后的φR(XR)、φG(XG)、φB(XB)，λR、λG和λB分别是目标函数的三个约束和的拉格朗日乘子；通过对Q-1P矩阵进行特征分解得到公式(9)的解4-3)令如果v2-v1≤ε，则停止迭代更新，进入4-5；否则，令v1＝v2，进入4-4；v2为中间变量，ε＞0表示收敛阈值；4-4)根据已知的FR、FG、FB，按照下面的公式求解新的ωR、ωG、ωB：使用拉格朗日乘子法求解公式(11)，可得如下的广义特征方程LΩ＝JΛΩ，(12)式中，通过对J-1L矩阵进行特征分解得到公式(11)的解ωR、ωG、ωB，返回4-2；4-5)根据当前的FR、FG、FB和公式计算AR、AG、AB，其中In表示一个n阶单位阵，i＝R,G,B，AR、AG、AB分别表示φR(XR)、φG(XG)、φB(XB)的投影系数矩阵。作为本专利技术的进一步优化方案，投影后的训练样本特征集为：作为本专利技术的进一步优化方案，投影后的测试样本特征为：式中，yR∈Rd、yG∈Rd、yB∈Rd分别表示测试样本y的R、G、B三个彩色分量；Kyi∈Rn表示yi的核矩阵，Kyi中第r行的元素表示Xi中的第r个样本，i＝R,G,B。作为本专利技术的进一步优化方案，步骤3中使用基于相关性度量的最近邻分类器对测试样本进行分类和识别，具体为计算投影后的测试样本特征到投影后的训练样本特征集中每个训练样本特征的相关性，将测试样本归到相关性最大的那个训练样本所在的类。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术提供基于彩色特征双重多核鉴别相关性分析的人脸识别方法，将多核子空间学习技术应用到彩色人脸特征的双重鉴别相关性分析中，对三个彩色分量分别使用三个不同的非线性核映射，再进行特征层双重鉴别相关性分析。对于双重多核鉴别相关性分析获取的特征，使用基于相关性度量的最近邻分类器进行分类和识别。本专利技术识别本文档来自技高网...

【技术保护点】
基于彩色特征双重多核鉴别相关性分析的人脸识别方法，其特征在于，包括如下步骤：步骤1，获得各彩色分量训练样本集，定义各彩色分量训练样本集内部的类内核特征相关性矩阵和类间核特征相关性矩阵、以及各彩色分量训练样本集之间的类内核特征相关性矩阵和类间核特征相关性矩阵；步骤2，定义目标函数并加入多核组合系数，对目标函数求解，得到投影后的训练样本特征集；步骤3，获得测试样本，根据上述投影后的训练样本特征集，得出投影后的测试样本特征，使用基于相关性度量的最近邻分类器对测试样本进行分类和识别。

【技术特征摘要】
1.基于彩色特征双重多核鉴别相关性分析的人脸识别方法，其特征在于，包括如下步骤：步骤1，获得各彩色分量训练样本集，定义各彩色分量训练样本集内部的类内核特征相关性矩阵和类间核特征相关性矩阵、以及各彩色分量训练样本集之间的类内核特征相关性矩阵和类间核特征相关性矩阵；定义第i个彩色分量训练样本集内部的类内核特征相关性矩阵和类间核特征相关性矩阵以及第i和第j个彩色分量训练样本集之间的类内核特征相关性矩阵和类间核特征相关性矩阵如下：1其中，XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示R、G...

【专利技术属性】
技术研发人员：刘茜，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32