基于监督等度规投影的人脸识别方法技术

本发明专利技术提供的是一种基于监督等度规投影的人脸识别方法。包括人脸样本训练过程和人脸样本测试过程。人脸样本训练过程有包括首先对人脸训练图像进行预处理、采用Ｇａｂｏｒ小波对图像进行滤波、提出新的距离公式计算训练样本的邻接矩阵、由训练样本邻接矩阵ＤＧ计算训练样本间的最短路径距离矩阵Ｄ、求取描述人脸训练样本数据的低维投影矩阵、通过投影转换矩阵Ａ计算训练样本在低维空间的投影等步骤；人脸样本测试过程又包括对人脸测试图像进行预处理、采用Ｇａｂｏｒ小波对图像进行滤波、计算测试样本在低维空间的投影和采用最近邻算法判断测试样本的类别等过程。本发明专利技术具有对样本数据的结构描述更强，可以消除高阶冗余、计算代价小，更适合于模式分类任务等特点。

【技术实现步骤摘要】

本专利技术涉及一种图像处理
的方法，具体地说，涉及一种基于监督等 度规投影的人脸识别方法。(二)
技术介绍
近年来，人脸识别在模式识别领域受到广泛的关注，其中子空间分析是人脸 识别领域的重要方法，子空间分析法具有描述性强、计算代价小、易实现及可分 性好等特点，因此成为人脸识别领域的研究热点，其中最广泛应用的两个算法是 PCA(Principal Components Analysis ， PCA)禾口LDA(Linear Discriminant Analysis ， LDA)。 PCA是一种非监督学习方法，目标是寻找在最小平方意义下给出数据最 优表征的子空间。LDA是一种监督学习方法，通过最大化类间散度和类内散度比 率来寻找最佳线性判别空间，得到最佳判别能力特征。因此，LDA所生成的子空 间实现了数据可分，比PCA更适合分类任务。然而，目前有研究表明人脸阁像很有可能存在于非线性子流形中，基于PCA 和LDA的全局算法是基于欧式空间的，因此它们所提取的特征对于分类问题未必 最优。自2000年以来，出现了很多非线性流形算法，比如局部线性嵌入(Locally Linear Embedding, LLE)，等距映射(Isometric map, ISOMAP)和拉普拉斯映射 (LaplacianEigenmap,LE)等，它们在数据的可视化方面都比较出色。但当前此类 非线性流形学习算法存在一大缺点就是对新数据处理困难，即只在训练数据上进 行了处理，测试数据点在做识别时计算复杂度较高。这一缺陷导致非线性算法在 实际应用中具有较大的局限性。为解决该问题，有学者提出了上述非线性流形学 习算法的线性化算法，如局部保局投影(Locality Preserving Projection, LPP)和邻域 保持嵌入(Neighborhood Preserving Embedding, NPE)，作为线性算法，这几种算 法能直接获得新数据点的低维映射结果，同时能够有效描述数据的流形结构，在 人脸识别等模式识别领域具有较强的实用性，但是由于此类算法均是非监督的算 法，在做模式分类时，具有-.定局限性。此外，流形学习算法不能有效地消除图 像中如高阶相关等冗余信息，影响了算法的识别率。
技术实现思路
本专利技术的目的在于提供一种能够提取样本新的特征来消除图像高阶冗余信 息，不仅能保持样本的流形结构，而且能直接得到高维数据到低维空间的投影矩 阵，大大减小计算成本，还能增强分类判别能力的基于监督等度规投影的人脸识 别方法。本专利技术的目的是这样实现的其实现步骤如下 (l)人脸样本训练过程① 首先对人脸训练图像进行预处理，获取高维空间中原始训练样本矩阵I;② 用Gabor小波对图像进行滤波，得到新的图像特征。③ 引入训练样本的类别信息，采用距离公式计算训练样本的邻接矩阵，得到训练样本的权值距离所述距离公式为在得到样本点权值距离矩阵后，应用A近邻或S邻域算法得到训练样本的邻 接矩阵^^;其中^x,，;c》为样本间的欧式距离，-为经验参数，C,表示样本X,所属的类别；④ 由训练样本邻接矩阵Z^计算训练样本间的最短路径距离矩阵。，用两点间最短路径近似两点间测地线距离；⑤ 计算投影转换矩阵，通过保持映射前后人脸训练样本测地线距离给出目标 函数，通过求解目标函数求取描述人脸训练样本数据的低维投影矩阵； 通过投影转换矩阵^计算训练样本在低维空间的投影，令y = :<formula>formula see original document page 8</formula>其中c/(/(x,)，/(x,))为对应低维空间的欧式距离；令&=^/，采用与原始ISOMAP算法相同的处理方式，用中心化矩阵H = / -丄e/中心化后得附<formula>formula see original document page 8</formula>; Z^表示降维后子空间中的欧式距离矩阵，T(AO为对应的内积 矩阵，则上述的目标函数等价于argm^:r(i^:)-r(Z)。^其中，IML2=L,4'/ ;考虑映射函数/(" = a7x ，则 r(￡>y) = rr;r = Z7aa7'Z;则arg股'"lr(DG)-rCD》l丄2式的目标函数转化为义 X7 = ;LQ:7(5) 对公式(5)求解得到的前J个最大特征值对应的特征向量构成了投影转换矩7、人脸样本测试过程中所述对人脸测试图像进行预处理，是将每幅测试图 像进行裁剪，将其分辨率设置为64 X64 ，然后进行下采样，以达到32 X32的 分辨率。最后将每幅图像都进行均值为O 、方差为1的规格化人并堆叠为一M维长向量，xei w,即构成一个原始测试样本。本专利技术所涉及的人脸识别方法，不同于上述的线性及非线性流形算法，本质 上是监督等距映射的线性化算法。因此具有上述算法无法比拟的优点，这些优点 主要体现在(1) .保持了样本数据的流形结构信息，相对于传统线性算法如PCA、 LDA等 算法中基于全局欧式距离的假设，本专利技术克服了传统线性算法在处理非线性问题时的不足，其对样本数据的结构描述更强。(2) .去除了图像的高阶冗余信息，从而使流形学习方法能够充分地提取人脸图 像中最为有效的鉴别特征。(3) .能获得低维空间的投影转换矩阵，通过该投影转换矩阵可直接获取训练及测试样本在低维空间的投影，克服了非线性流形算法在测试阶段难以获得测试数 据低维投影的问题，计算代价小。(4).作为监督算法，考虑了样本的类别信息，使得不同类样本远离，增强了 算法的分类判别能力，更适合于模式分类任务。(四) 附图说明 图l是本专利技术算法步骤的流程图2是采用改进后的距离计算公式得到的样本距离描述图3是ORL人脸库的部分人脸图像；图4是YaleB人脸库的部分人脸图像。具体实施方式 下面结合附图举例对本专利技术做更详细地描述其实现步骤如下(l)人脸样本训练过程① 首先对人脸训练图像进行预处理，以获取高维空间中原始训练样本矩阵I;这里的处理是将每幅训练图像进行裁剪,将其分辨率设置为64 X64 ，然后 进行下采样，以达到32 X32的分辨率。最后将每幅图像都进行均值为O 、方差 为1的规格化。② Gabor小波对图像进行滤波，若/0c，力表示原始图像，则新的图像特征V = /(x，>0 O v(x,_y)， (g)表示巻积，将新特征堆叠为一M维长向量x,，即构成一个原始训练样本。则所有训练图像构成一个原始训练样本矩阵 X = e，^为训练样本个数，矩阵Z的每一列代表了一个原始训练样本。③ 引入训练样本的类别信息，采用改进后的距离公式计算训练样本的邻接矩 阵；给定所有训练样本的类别信息后，则可采用改进后的距离计算公式(l)得到训练样本的权值距离。在得到样本点权值距离矩阵后，应用^近邻或s邻域算法 可得到训练样本的邻接矩阵Z^。采用上述公式在&近邻的计算中，增大了不同类样本的距离，使得算法保持同类样本距离并使不同类样本远离，从而提高了算 法的分类判别能力。④ 由训练样本邻接矩阵Z^..计算训练样本间的最短路径距离矩阵D ，用两点间最短路径近似两点间测地线距离；具体的处理本文档来自技高网...

【技术保护点】
基于监督等度规投影的人脸识别方法，其特征是：　　（１）人脸样本训练过程　　①首先对人脸训练图像进行预处理，获取高维空间中原始训练样本矩阵Ｘ＝［ｘ↓［１］，ｘ↓［２］…ｘ↓［Ｎ］］，Ｎ为训练样本个数；　　②采用Ｇａｂｏｒ小波进行滤波得到训练样本的小波特征；　　③引入训练样本的类别信息，采用距离公式计算训练样本的邻接矩阵，得到训练样本的权值距离，所述距离公式为：＊＊＊；在得到样本点权值距离矩阵后，应用ｋ近邻或ε邻域算法得到训练样本的邻接矩阵Ｄ↓［Ｇ］，其中ｄ（ｘ↓［ｉ］，ｘ↓［ｊ］）为样本间的欧式距离，β为经验值，Ｃ↓［ｉ］为样本ｘ↓［ｉ］所属的类别；　　④由训练样本邻接矩阵Ｄ↓［Ｇ］计算训练样本间的最短路径距离矩阵Ｄ，用两点间最短路径近似两点间测地线距离；　　⑤计算投影转换矩阵，通过保持映射前后人脸训练样本测地线距离给出目标函数，通过求解目标函数求取描述人脸训练样本数据的低维投影矩阵；　　⑥通过投影转换矩阵Ａ计算训练样本在低维空间的投影，令Ｙ＝［ｙ↓［１］，ｙ↓［２］…ｙ↓［Ｎ］］为训练样本的低维投影，则Ｙ＝Ａ↑［Ｔ］Ｘ；　　（２）人脸样本测试过程①对人脸测试图像进行预处理，获取高维空间中原始测试样本ｘ；　　②采用Ｇａｂｏｒ小波进行滤波得到测试样本的小波特征；　　③计算测试样本在低维空间的投影，通过投影转换矩阵Ａ，测试样本ｘ的低维投影为ｙ＝Ａ↑［Ｔ］ｘ；　　④采用最近邻算法判断测试样本的类别，在低维空间中对ｙ与Ｙ采用最近邻算法，则与ｙ最近的训练样本所对应的类别即为测试样本类别。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张汝波，王庆军，刘冠群，徐东，杨歌，史长亭，刘佰龙，张子迎，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：93[中国|哈尔滨]