融合EM算法和概率二维CCA的人脸识别方法技术

本发明专利技术公开了一种融合EM算法和概率二维CCA的人脸识别方法，首先建立概率二维CCA模型，分别计算左概率模型和右概率模型的对数似然期望；然后应用EM算法使对数似然期望值最大化来估计模型参数，优化左右概率模型；最后应用获取的概率二维CCA投影矩阵将观测数据投影到隐藏空间，实现高维数据降维，在大大降低运算量的同时提高人脸识别的准确度；AR人脸数据库的大量测试识别，验证了本发明专利技术所提出方法在应对光照变化、表情变化和姿态变化人脸样本时的鲁棒性和优越性，解决现有人脸识别方法应对高维数据时的维数灾难和小样本问题。

【技术实现步骤摘要】
融合EM算法和概率二维CCA的人脸识别方法
：本专利技术涉及一种人脸识别方法，特别是涉及一种融合EM算法和概率二维CCA的人脸识别方法。
技术介绍
：最近，二维典型相关分析(2DCCA)已成功应用于图像特征提取。该方法不是将图像的列连接到一维矢量，而是直接与二维图像矩阵一起工作。虽然2DCCA在不同的识别任务中运作良好，但缺乏概率性解释。在高维数据中可以处理许多实际应用程序，但是数据中最有信息的部分可以在低维空间中建模。而且，处理高维数据是一个耗时的过程，需要大量资源。为了解决这些问题，特征提取已经被用作查找紧凑有用的数据表示的工具。对于单模源数据，进行一些子空间学习方法以学习更多的语义描述子空间。这些方法主要是主成分分析(PCA)和线性判别分析(LDA)。然而，对于共享一些相互信息的两个来源的观测，典型相关分析(CCA)是一种常用的降维方法。CCA寻求一个低维空间，其中两组变量在投影后最大程度地相关。这种技术被广泛应用于模式识别，计算机视觉，生物信息学等不同领域。在基于CCA的方法中，需要将2D图像矩阵矢量化。矢量化有三个主要缺点：(1)打破了图像数据的空间结构，这可能导致丢失列/本文档来自技高网...

【技术保护点】
1.一种融合EM算法和概率二维CCA的人脸识别方法，其步骤为：A、建立概率二维CCA模型并分别计算左概率模型和右概率模型的对数似然期望；B、应用EM算法使对数似然期望值最大化来估计模型参数，优化左右概率模型；C、应用获取的概率二维CCA投影矩阵将观测数据投影到隐藏空间，实现高维数据降维；D、在AR人脸数据库中选择进行归一化处理后的训练和测试样本进行学习和检测，完成人脸面部的识别。

【技术特征摘要】
1.一种融合EM算法和概率二维CCA的人脸识别方法，其步骤为：A、建立概率二维CCA模型并分别计算左概率模型和右概率模型的对数似然期望；B、应用EM算法使对数似然期望值最大化来估计模型参数，优化左右概率模型；C、应用获取的概率二维CCA投影矩阵将观测数据投影到隐藏空间，实现高维数据降维；D、在AR人脸数据库中选择进行归一化处理后的训练和测试样本进行学习和检测，完成人脸面部的识别。2.根据权利要求1所述的融合EM算法和概率二维CCA的人脸识别方法，其特征是：所述步骤A中包括以下步骤：a、建立二维CCA模型；b、计算完整模型数据的对数似然函数，然后取相对于每个参数的预期对数似然的导数；c、建立左概率模型；d、建立右概率模型；e、建立解耦概率模型并分别使用交替优化程序获得投影矩阵。3.根据权利要求2所述的融合EM算法和概率二维CCA的人脸识别方法，其特征是：所述二维CCA模型的建立包括以下步骤：(1)、建立CCA模型；(2)、由CCA引入的生成模型建立概率CCA模型；(3)、引入二维CCA解决CCA中数据向量化的问题并通过左变换和右变换来最大化投影数据之间的相关性。4.根据权利要求1所述的融合EM算法和概率二维CCA的人脸识别方法，其特征是：所述步骤B中将EM算法应用于解耦概率模型，对于每个概率模型，在E步骤E(Llc)中计算对数似然函数的期望，最大化步骤(M-step)是通过最大化E(Llc)来完成，其优化左右概率模型包括以下步骤：a、优化左概率模型；b、优化右概率模型。5.根据权利要求4所述的融合EM算法和概率二维CCA的人脸识别方法，其特征是：所述左概率模型的优化包括以下步骤：令为的jth列向量。通过假设Tl的列彼此独立，T的分布定义为将视为Zl的jth列向量，Zl具有N(0，I)的正态分布，μli,j为μlj的jth列向量。基于等式(13)和考虑Zl和Ξli的分布，可以得出结论令左概率模型为和其中是第i个观测数据集中的第n个图像的第j个左概率模型列向量，其中i∈{1,2}。因此，可以得到的分布函数如...

【专利技术属性】
技术研发人员：熊欣，栗科峰，张婉，卢金燕，介钰鸣，
申请(专利权)人：河南工程学院，
类型：发明
国别省市：河南,41