本发明专利技术公开了一种用于人脸识别的基于虚拟样本的核鉴别方法，其为一种基于虚拟样本的快速核方法。该方法在对训练样本集进行核矩阵构造前，先对训练样本集一次性构造虚拟样本集，再以虚拟样本集为基础，通过核矩阵理论进行训练/测试；由于虚拟样本集为训练样本集的特征样本集(MES)和公共向量样本集(MCS)的集合，因此，虚拟样本集无论对于已知的训练样本集，还是对于未知的测试样本集来说，都具有极强的描述能力；将本发明专利技术所述的方法在FERET数据库上的实验验证了所提方法是快速有效的；其大幅地提高了核方法的计算速度，同时，与传统的核方法相比，本发明专利技术还提高了识别率。
【技术实现步骤摘要】
本专利技术涉及一种核鉴别方法，其基于虚拟样本建立，用于人脸识别的特征提取，属 于模式识别中的人脸识别领域。
技术介绍
(1)研究背景人脸识别包括图像预处理、特征提取和识别三个环节。其中特征抽取是模式识别 研究中最基本问题之一。对图象识别而言，抽取有效的图象特征是完成图象识别的首要任 务。基于核的特征抽取方法是当今很热门的一种有效的非线性特征提取方法。核方法的基 本思想是利用一个非线性映射，把在输入空间R中线性不可分的样本映射至一个隐性特征 空间中，使得样本在空间F上线性可分。在核方法中并不需要显式的计算映射，只需要通过 一个核映射函数κ来计算在隐特征空间F中两两向量的内积即可。即使变化后空间的维 数增加很多甚至于达到无穷维，问题的计算复杂度并没有增加多少，且与特征空间的维数 无关。(2)现有人脸识别中的核鉴别方法——核主成分分析方法(KPCA)和广义判别分 析方法(GDA)。KPCA的基本思想是通过非线性映射将非线性可分的原始样本输入空间变换到一 个线性可分的高维特征空间F，然后在F空间中完成主成分分析。为避免维数灾难问题，引 用核技术，即用满足Mercer条件的核映射函数来替换特征空间中样本的内积运算，它可以 把在输入空间无法线性分类的数据变换到特征空间来实现线性分类。即求满足下式的V 权利要求1.一种，其特征在于，包括以下步骤(1)利用训练样本集&构造虚拟样本集V——虚拟样本集V定义为已知类别属性的训 练样本集&的特征样本集i或该已知类别属性的训练样本集&的公共向量样本集A，其表 达式为厂= Jv^riA: = 1,...,/}，,特征样本集纟的抽提通过对训练样本集\采用主成分分析 方法进行，公共向量样本集A的抽提则通过对训练样本集^C1使用鉴别公共向量方法进行， 其中特征样本集左以及公共向量样本A分别满足下式2.根据权利要求1所述，其特征在于，所 述步骤( 和步骤(5)中所采用的核映射函数皆为高斯核映射函数；进行步骤O)中训练 样本集\的核矩阵K1的构建时，核矩阵K1的第i行第j列上的元素K1(U)由训练样本集中 的第i个训练样本和虚拟样本集中的第j个虚拟样本代入核映射函数中计算得到；进行步 骤(5)中待识别测试样本集\的核矩阵K2的构建时，核矩阵K2的第i行第j列上的元素 K2a,,.)由待识别测试样本集中的第i个测试样本和虚拟样本集中的第j个虚拟样本代入核 映射函数中计算得到。3.根据权利要求2所述，其特征在于，重 构系数β由矩阵XtX的最大若干个特征值所对应的特征向量构成，其中X = (I-W)K1, I是单位矩阵，W是所有元素都为1的方阵，η表示训练样本的个数^为训练样本&采用虚拟η样本V通过核映射函数计算出的核矩阵。4.根据权利要求2所述，其特征在于，重构系数β由矩阵(XtX)-1YtY的非零特征值所对应的特征向量构成，其中X = (I-W)K1, Y = (L-P)K1, I是单位矩阵，W是所有元素都为1的方阵，η表示训练样本的个数；全文摘要本专利技术公开了一种，其为一种基于虚拟样本的快速核方法。该方法在对训练样本集进行核矩阵构造前，先对训练样本集一次性构造虚拟样本集，再以虚拟样本集为基础，通过核矩阵理论进行训练/测试；由于虚拟样本集为训练样本集的特征样本集(MES)和公共向量样本集(MCS)的集合，因此，虚拟样本集无论对于已知的训练样本集，还是对于未知的测试样本集来说，都具有极强的描述能力；将本专利技术所述的方法在FERET数据库上的实验验证了所提方法是快速有效的；其大幅地提高了核方法的计算速度，同时，与传统的核方法相比，本专利技术还提高了识别率。文档编号G06K9/62GK102142082SQ201110087710公开日2011年8月3日 申请日期2011年4月8日 优先权日2011年4月8日专利技术者卞璐莎, 吕燕燕, 唐辉, 姚永芳, 李升 , 荆晓远 申请人:南京邮电大学本文档来自技高网...
【技术保护点】
１．一种用于人脸识别的基于虚拟样本的核鉴别方法，其特征在于，包括以下步骤：（１）利用训练样本集Ｘ１构造虚拟样本集Ｖ——虚拟样本集Ｖ定义为已知类别属性的训练样本集Ｘ１的特征样本集或该已知类别属性的训练样本集Ｘ１的公共向量样本集Ａ，其表达式为特征样本集的抽提通过对训练样本集Ｘ１采用主成分分析方法进行，公共向量样本集Ａ的抽提则通过对训练样本集Ｘ１使用鉴别公共向量方法进行，其中：特征样本集以及公共向量样本Ａ分别满足下式：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｏｖｅｒ）?（ｍｉ）Ｅ（／ｍｉ）?（ｍｏ）＾（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｏ）＝（／ｍｏ）?（ｍｕｎｄｅｒ）?（ｍｒｏｗ）?（ｍｉ）ａｒｇ（／ｍｉ）?（ｍｉ）ｍａｘ（／ｍｉ）?（／ｍｒｏｗ）?（ｍｓｕｐ）?（ｍｏｖｅｒ）?（ｍｉ）Ｅ（／ｍｉ）?（ｍｏ）＾（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｏ）＆ｐｒｉｍｅ；（／ｍｏ）?（／ｍｓｕｐ）?（／ｍｕｎｄｅｒ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｉ）ｌ（／ｍｉ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｓｕｂ）?（ｍｏｖｅｒ）?（ｍｉ）＆ｍｕ；（／ｍｉ）?（ｍｏ）＾（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｉ）ｋ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）／（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｉ）ｎ（／ｍｉ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｓｕｂ）?（ｍｉ）＆ｍｕ；（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）Ａ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｏ）｛（／ｍｏ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｉ）ｃｏｍ（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）｜（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ），（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｃ（／ｍｉ）?（ｍｏ）｝（／ｍｏ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（２）利用虚拟样本集Ｖ计算训练样本集Ｘ１的核矩阵Ｋ１——将虚拟样本集Ｖ以及训练样本集Ｘ１通过核映射函数投影到核空间，以获得由ｌ个虚拟样本组成的投影虚拟样本集ＶΦ构建的核矩阵Ｋ１，其中：ＶΦ＝｛φ（ｖｋ）∈Ｈ｜ｋ＝１，．．．，ｌ｝；（３）在核空间计算特征向量ＷΦ——根据核重构理论，利用步骤（２）所构建的核矩阵来线性表示核空间的特征向量ｗφ，其中：（４）将训练样本集Ｘ１投影到特征向量ＷΦ上得到数据集Ｙ１，（５）利用步骤（１）中通过训练样本集Ｘ１所构建的虚拟样本集Ｖ，将虚拟样本集Ｖ以及待识别测试样本集Ｘ２通过核映射函数计算出待识别测试样本集Ｘ２的核矩阵Ｋ２；然后将待识别测试样本集Ｘ２投影到特征向量ＷΦ上得到数据集Ｙ２，（６）通过最近邻分类器，根据步骤（４）获得的数据集Ｙ１和步骤（５）获得的数据集Ｙ２，输出识别结果；步骤（１）至（６）中：表示ｄ维空间；ｌ表示虚拟样本的个数；ｎ表示训练样本的个数；μｉ表示对训练样本集Ｘ１做主成分分析后，第ｉ个ＰＣＡ主分量对应的特征值；是挑选出的ＰＣＡ主分量所对应的特征值；表示使用鉴别公共向量ＤＣＶ方法从训练样本集Ｘ１中抽取的第ｉ类的公共向量；ｃ表示训练样本集Ｘ１中的类别数；Ｈ表示核空间；φ表示核映射函数；φ（ｖｋ）是虚拟样本ｖｋ采用核映射函数φ投影到核空间Ｈ后的表示，即映射虚拟样本；Ψ是ｌ个映射虚拟样本的集合；β是用映射虚拟样本来重构核空间中特征向量的重构系数。...
【技术特征摘要】
【专利技术属性】
技术研发人员：荆晓远，姚永芳，李升，卞璐莎，吕燕燕，唐辉，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：84
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。