本发明专利技术公开了一种基于有监督的近邻保持嵌入（ＳＮＰＥ）和支持向量机（ＳＶＭ）的人脸识别方法，包括训练过程和测试过程，具体包括下述步骤：ａ．对给定的一组数据样本构造一个权值矩阵；ｂ．根据步骤ａ所得的权值矩阵，求解关于数据样本的一个泛化特征向量问题，寻找到将数据样本映射到低维数据空间的嵌入矩阵；ｃ．利用上述嵌入矩阵对数据样本进行特征提取，获得低维空间的特征数据；ｄ．采用ＳＶＭ对步骤ｃ所获得的特征数据进行模式分类，实现对数据样本的类型识别。本发明专利技术提供的人脸识别方法，能够解决现有技术中线性降维方法不能很好地保持类内及类间的样本结构、非线性降维方法计算量大以及普通分类器存在的过学习和欠学习等问题。
【技术实现步骤摘要】
本专利技术涉及一种人脸识别方法，具体地说，是涉及一种基于有监督的近邻保持嵌入(SNPE)和支持向量机(SVM)的人脸识别方法，属于图像处理和模式识别
技术介绍
人脸识别是一个模式识别问题，特征提取是模式识别中的分类系统均需要 解决的一个重要环节，其主要目标是在获得最优、最显著特征的同时丟弃无关 或次要的信息，降低数据的维数以减低分类系统的复杂性，这就涉及到所谓的 流形学习问题。流形学习中经典的技术为线性降维方法，例如主成分分析法 (PCA)可以实现流形的线性或接近于线性的嵌入；当有可用的类信息时，线性 判别分析法(LDA )可以寻找一个最优的线性子空间以用来分类。 <旦是这些线性 降维方法存在着很大的缺点由于降维算法是线性变换，所以降维到低维空间 后样本数据有可能产生重叠，对于后期的分类就会产生不好的影响。而且大多 数线性降维的算法不能很好地保持类内及类间的样本结构，影响了特征提取的 效果。近几年， 一些非线性降维算法被提出。这些算法主要是发现流形中的非线 性结构，例如拉普拉斯特征匹配法、局部线性嵌入(LLE )和等距离映射(Isomap ) 等。非线性降维方法能够保持样本的拓朴结构，但是计算量大，而且这种方法 只适用于训练样本，怎样使单个测试样本降维一直是个难点。基于核的算法也 被提出，例如基于核的主成分分析法(KPCA )、基于核的线性判别分析法(KLDA ) 等。这些算法能产生非线性映射，^f旦是却没有考虑到样本数据的流形结构，致使降维效果并不十分理想。传统的人脸识别方法有最近邻法、欧氏距离法、马氏距离法和神经网络法 等。相对于其维数而言，人脸样本很少，是一个小样本问题。对于人脸识别这 种小样本问题，传统的分类方法一方面容易出现过学习现象，导致算法泛化能力差；另一方面，传统的分类方法学习性能差，无法胜任人脸分类这个非线性 很强的分类模式。SVM是为解决小样本问题的学习和分类而提出的，它可以克服 神经网络等方法所固有的过学习和欠学习问题，同时又具有很强的非线性分类 能力。
技术实现思路
本专利技术提供了一种基于有监督的近邻保持嵌入和支持向量机的人脸识别方 法，能够解决线性降维方法不能4艮好地保持类内及类间的样本结构、非线性降 维方法计算量大以及普通分类器存在的过学习和欠学习问题。 为解决上述技术问题，本专利技术采用以下技术方案予以实现 一种，包括以下 步骤a、 对给定的一组数据样本构造一个权值矩阵，用来描述各个数据样本之间 的关系；b、 根据步骤a所得的权值矩阵，求解关于数据样本的一个泛化特征向量问 题，寻找到将数据样本映射到低维数据空间的嵌入矩阵；c、 利用步骤b获得的嵌入矩阵对数据样本进行特征提取，获得数据样本映 射到低维空间的特征数据；d、 采用支持向量机对步骤c所获得的数据样本的特征数据进行模式分类， 实现对数据样本的类型识别。其中，所述步骤a中构造权值矩阵包括下述两个步骤al、利用已知的类别信息以及类内的样本数确定《值，构造《近邻；bl、按照下述过程计算权值矩阵『代表权值矩阵，则^为第f个样本x,到 第乂个样本^的权值，当第乂个样本不属于第f'个样本的X近邻时，^为0，然后通过求解下述约束条件下的最小化目标函数，计算出权值矩阵『<formula>formula see original document page 6</formula>、-约束条件为进一步的，所述嵌入矩阵的维数比所述数据样本的总类别数少1。所述步骤d可以采用两分类支持向量机级联模型实现多分类模式的分类。再进一步的，构造权值矩阵之前应先对所述数据样本进行预处理。优选采 用"立方巻积"的插值方法对所述数据样本进行缩放预处理。具体来讲，在本专利技术的人脸识别方法中，具体包括训练过程和测试过程两 部分，其中，所述训练过程具体包括下述步骤a2、首先对数据样本进行预处理，组成训练样本；b2、对上述训练样本构造一个权值矩阵，用来描述各个训练样本之间的关 系，并利用所述权值矩阵求解训练样本对应的嵌入矩阵；c2、利用步骤b2获得的嵌入矩阵对训练样本进行特征提取，获得训练样本 映射到低维空间的特征数据；d2、基于步骤c2所获得的训练样本的特征数据构造两分类支持向量机级联 模型，设定核函数类型以及惩罚系数，进行支持向量枳4莫型训练。其中，所述支持向量机的核函数为线性核函数、多项式核函数和径向基核 函数中的一种。所述支持向量机的惩罚系数设定为1-100。所述测试过程具体包括如下步骤a3、首先对数据样本进行预处理，组成测试样本；b3、利用训练过程中获得的嵌入矩阵对测试样本进行特征提取，获得测试样本映射到低维空间的特征数据；c3、将步骤b3所获得的测试样本的特征数据输入到已训练好的支持向量机 模型中，进行测试样本的类型识别。与现有4支术相比，本专利技术的优点和积;f及效果体现在以下两方面1、 特征提取上采用了 SNPE算法，克服了 PCA等传统线性降维方法容易产 生样本数据重叠、不能4艮好地保持类内及类间的样本结构的不足，以及LLE等 非线性降维算法计算量大的缺点，SNPE算法很好地保持了数据集的局部流形结 构，既能做到最优的降维，又在^f艮大程度上减少了算法的运行时间。2、 分类算法上采用两分类SVM级联模型实现多分类模式的分类，所需的支 持向量个数较少，而且一旦加入一个新类时，只需在最前端添加一个经过训练 的两分类SVM即可，而不必更改或者重新训练原有的SVM群组，因此，有效减少了计算量。 附图说明图1是PCA降维后的样本脸(PCAfaces)和SNPE降维后的样本脸 (SNPEfaces)示意图2是通过两分类SVM级联^t型实现多分类的示意图； 图3是0RL人脸库中的部分人脸图像样本。务体实施方式下面结合附图对本专利技术的实施方式作进一步详细的说明。 首先介绍一下本专利技术的基本设计思想1、特征提取上，在周围空间中给定一组数据样本，首先构造一个权值矩阵 用来描述个数据样本之间的关系。对于每一个数据样本点，用它近邻的数据样 本的线性组合来表示，组合系数就构成了权值矩阵。然后，寻找最优的嵌入使 得这种近邻结构也能够保持在低维空间中，并且利用已知的类别信息及类内样本数来确定尺值。这样就避免了传统近邻保持嵌入(NPE)算法中的第一步，既能保证尺值选择的准确性，做到最优的降维，又能很大程度上减少算法的运行时间。2、分类算法上，采用两分类SVM级联模型来实现多分类模式分类。这种分 类算法的优点是所需的支持向量数较少，而且一旦加入一个新类时，只需在最 前端添加一个经过训练的两分类SVM即可，而不必更改或者重新训练原有的SVM群组，从而可以减少了计算量。下面对具体实现方法进行详细阐述。图1为PCA降维后的样本脸(PCAfaces)与SNPE降维后的样本脸 (SNPEfaces)的对照示意图。PCA方法是通过特征的线性组合来降维，4巴数据 投影到低维线性子空间。但是人脸图像并不是特征的线性组合，由PCAfaces 可以看出，特征提取后的结果虽然保持了人脸轮廓，但是依然有大量噪声存在， 局部的线性结构并没有保持， 一些样本点产生了重叠。而SNPE是非线性的降维方法，由SNPEfaces可以看出，特征提取后的人脸 图像噪声很少(有效地去除本文档来自技高网...
【技术保护点】
一种基于有监督的近邻保持嵌入和支持向量机的人脸识别方法，包括训练过程和测试过程，其特征在于，包括以下步骤：ａ、对给定的一组数据样本构造一个权值矩阵，用来描述各个数据样本之间的关系；ｂ、根据步骤ａ所得的权值矩阵，求解关于数据样 本的一个泛化特征向量问题，寻找到将数据样本映射到低维数据空间的嵌入矩阵；ｃ、利用步骤ｂ获得的嵌入矩阵对数据样本进行特征提取，获得数据样本映射到低维空间的特征数据；ｄ、采用支持向量机对步骤ｃ所获得的数据样本的特征数据进行模式分 类，实现对数据样本的类型识别。
【技术特征摘要】
【专利技术属性】
技术研发人员：刘微，郭锋，
申请(专利权)人：海信集团有限公司，
类型：发明
国别省市：95[中国|青岛]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。