本发明专利技术属于图像处理和模式识别技术领域，具体涉及一种人脸图像识别方法，该方法主要包括如下步骤，步骤a：构建人脸样本图像数据库；步骤b：构建人脸样本图像的训练样本矩阵；步骤c：训练样本矩阵的近似分解，在该步骤中，在基矩阵W中增加常数矩阵C，并在损失函数上，将系数矩阵H不同列之间的方差作为罚项；步骤d：人脸图像识别过程。由于在基矩阵W中增加光滑常数矩阵C，从而增强了基矩阵的光滑性，消弱了噪声点的影响，使得迭代过程更加快速，大大减少迭代次数，另外将系数矩阵H不同列之间的方差作为罚项，增大系数矩阵H不同列之间的区分度，更好地区分不同人脸图像，提高了人脸识别的准确率。
【技术实现步骤摘要】
本专利技术属于图像处理和模式识别
，具体涉及。
技术介绍
近二三十年来，由于人脸识别具有的广泛研究和实用价值，使得其已成为模式识别与计算机智能领域中的一个热门课题。研究人员提出了一系列方法应用于人脸识另1J，包括线性统计的方法，如主成分分析(Principal Component Analysis, PCA),线性判别分析(Linear Discriminant Analysis, LDA),局部保持投影(Locality PreservingProjections, LPP),以及在其基础上形成的基于核函数的核方法和基于流行学习的非线性方法，这些方法的共同点是，首先学习训练样本集，得到合适的方向(或成分)，称为基矩阵，然后把测试集人脸图像投影到基矩阵上，达到降维和特征提取的目的，最后对降维后的数据进行识别。但是传统的人脸识别算法，如PCA、LDA、LPP等，所得到的基图像数据都包含负 成分，然而这些负成分没有实际的物理含义，却在一定程度上影响人脸识别的正确率。针对上述缺点，Lee和 Seung(LEE D. D, SEUNG H. S. Learning the Parts ofOb jectsby Nonnegative Matrix Factorization [J] · Nature, 1999，401:788 - 791)提出了非负矩阵分解方法(Nonnegative Matrix Factorization, NMF), NMF的基本思想可以简单描述为对任意给定的一个非负矩阵E，NMF算法能够寻找一个非负的基矩阵W和一个非负的系数矩阵H (即特征向量矩阵)，使其满足E WH，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积。由于非负矩阵分解在迭代过程中始终保持了分解矩阵的非负性，从而确保了数据的整体特征是局部特征的非负线性组合，局部特征在构成整体特征时不会产生正负抵消的情况。利用这一特点，Guillamet等人(⑶ILLAMET D, VITRIA J, Non-negativeMatrixFactorization for Face Recognition[C]//Catalonian Conference onArtificiallntelligence. Castellon,Spain,Topics in Artificial IntelligenceProceedings:2002, 336-344.)首先把非负矩阵分解方法应用于人脸识别，基于非负矩阵分解方法对基矩阵有非负限制，使得在人脸数据矩阵的分解过程中会得到原始人脸数据的部分表示，从而能更好的反映局部特征，提高人脸识别的准确率。为了进一步提高识别的准确率，很多研究人员在NMF算法的基础上作出了一系列的改进，比如局部非负矩阵分解(Local Non-negative Matrix Factorization, LNMF)、保持拓扑性非负矩阵分解法(Topology Preserving Nonnegative Matrix Factorization, TPNMF)等，尽管基于非负矩阵分解的这些算法在人脸识别中取得了比较好的效果，但是这些算法用于人脸识别时十分耗时，比如NMF —般需要迭代100次左右才能够取得最高的识别率，改进的LNMF则需要迭代几百次左右，而且这些方法在迭代较少的情况下所得到的基图像，即基矩阵T包含很多的噪声，基图像很不光滑，使得其在实际应用中受到了限制。
技术实现思路
针对现有技术存在的上述问题，本专利技术要解决的技术问题是如何提供一种方法在缩短人脸识别时间的基础上，提闻识别的准确率。为解决上述技术问题，本专利技术采用如下技术方案，具体包括如下步骤步骤a :构建人脸样本图像数据库在人脸库中任意选取η张人脸图像，对选取的人脸图像归一化为aXb像素的人脸样本图像；步骤b :构建人脸样本图像的训练样本矩阵bl :把人脸样本图像转化为高维向量，将步骤a构建的人脸样本图像数据库中的η张人脸样本图像分别转化为m维向量，且m=aXb ； b2 :通过bl把人脸样本图像转化为高维向量后得到人脸样本图像的训练样本矩阵V，所述训练样本矩阵V大小为mXn，记为F=I>U=1,2......η]，其中g代表训练样本矩阵V中第i列的列向量，且A e R' 1 = 1,2,…，n，Rm表示m维欧式空间，该训练样本矩阵V的每一列代表一张人脸样本图像；步骤C :训练样本矩阵V的近似分解 (I I ... I、Cl :输入特征维数r和常数矩阵C，其中C = Il 1 1 T 1 ，且r满足(m+n) I Omj :::: Il I …I) \y mxrr〈mn，并由计算机随机生成非负的基矩阵W和系数矩阵H，其中，基矩阵W的大小为mXr，m系数矩阵H的大小为r Xn，且基矩阵W满足= 1，其中Wik为基矩阵第i行，第k列的元 I=I素；c2 :定义损失函数f，如式(I):/ = ΣΣ(ν#. —uyt ~αΣΣkj ~lk)- + ΣK C 1 ) J二I二i A:二IJ-二I k二I式(I)中Ik表示系数矩阵H第k行的均值，且.L =~Th, ; α和β为常数，且 〃 .IJ-Lα，β e [10_3，10_6]，Vij表示训练样本矩阵V的第i列，第j行的元素；U表示中间矩阵，且U=(ff+C)H, Uij表示矩阵U中第i行，第j列的元素；c3 :采用乘性迭代法求解式(I )，具体迭代方式如下c31 :固定系数矩阵H不变，以H;, n更新元素Wik ;((汴 +( )■ )*c32 :在更新完Wik的基础上，固定基矩阵W不变，以 h{{W + CfV^+ah^_9] ((!V + C'f{W + C)H) + βΚ +~ΣΚhw ; .η i=lc33 :按所述式(I)计算更新完各个元素Wik和各个元素hkj后所对应的损失函数f ;重复执行步骤c3fc33所述的迭代过程，直至满足的条件时停止迭 J X代；其中，fx和分别表示第X次迭代计算的损失函数值和第X-I次迭代计算的损失函数值，2 ;记录停止迭代时更新产生的新的基矩阵W'和新的系数矩阵H’，由所述新的基矩阵W’和新的系数矩阵H’近似地分解训练样本矩阵V，即如式(2)所示V^Wf(2)记//=[/ _;,/,ν·· …恩],其中 代表H’中第i列的列向量，且石;￡^=1，2，…，n，Rr代表r维欧式空间，故此，训练样本矩阵V的第i列的列向量对应于系数矩阵H’的第i列列向量步骤d :人脸图像识别过程dl :采集获取人脸图像测试样本，对人脸图像测试样本归一化为aXb像素的测试样本图像；d2 :把测试样本图像转化为高维向量，将步骤dl获得的测试样本图像转化为m维向量，m=aXb，得到测试样本图像的高维向量记为巧，且V, e R' t=l, 2，…，η ;d3 :将步骤d2得到的测试样本图像的高维向量R投影到步骤c33中新的基矩阵W’上，得到该测试样本图像的系数向量ht，其中且ht e 表示m维欧式空间；d4 :分别计算测试样本图像的系数向量ht和系数矩阵H’各列的列向量~之间的欧式距离，i = 1，2，…，n，找出其中的欧式距离最小值对应的列向量片作为测试本文档来自技高网...
【技术保护点】
一种人脸图像识别方法，其特征在于：具体包括如下步骤：步骤a：构建人脸样本图像数据库：在人脸库中任意选取n张人脸图像，对选取的人脸图像归一化为a×b像素的人脸样本图像；步骤b：构建人脸样本图像的训练样本矩阵：b1：把人脸样本图像转化为高维向量，将步骤a构建的人脸样本图像数据库中的n张人脸样本图像分别转化为m维向量，且m=a×b；b2：通过b1把人脸样本图像转化为高维向量后得到人脸样本图像的训练样本矩阵V，所述训练样本矩阵V大小为m×n，记为其中代表训练样本矩阵V中第i列的列向量，且i＝1,2,…,n，Rm表示m维欧式空间，该训练样本矩阵V的每一列代表一张人脸样本图像；步骤c：训练样本矩阵V的近似分解：c1：输入特征维数r和常数矩阵C,其中C=110m11...111...1............11...1m×r,且r满足(m+n)rf=Σj=1nΣi=1m(vij-uij)2-αΣj=1nΣk=1r(hkj-lk)2+βΣj=1nΣk=1rhkj2---(1);式（1）中lk表示系数矩阵H第k行的均值，且α和β为常数，且α,β∈[10？3,10？6]，vij表示训练样本矩阵V的第i列，第j行的元素；U表示中间矩阵，且U=(W+C)H，uij表示矩阵U中第i行，第j列的元素；c3：采用乘性迭代法求解式（1），具体迭代方式如下：c31：固定系数矩阵H不变，以更新元素wik；c32：在更新完wik的基础上，固定基矩阵W不变，以hkj((W+C)TV)kj+αhkj((W+C)T(W+C)H)kj+βhkj+αnΣi=1nhkj更新元素hkj；c33：按所述式（1）计算更新完各个元素wik和各个元素hkj后所对应的损失函数f；重复执行步骤c31~c33所述的迭代过程，直至满足的条件时停止迭代；其中，fx和fx？1分别表示第x次迭代计算的损失函数值和第x？1次迭代计算的损失函数值，x≥2；记录停止迭代时更新产生的新的基矩阵W′和新的系数矩阵H“，由所述新的基矩阵W“和新的系数矩阵H“近似地分解训练样本矩阵V，即如式（2）所示：V≈W′H′？？？？(2)记其中代表H’中第i列的列向量，且i=1,2,…,n，Rr代表r维欧式空间，故此，训练样本矩阵V的第i列的列向量对应于系数矩阵H“的第i列列向量步骤d：人脸图像识别过程：d1：采集获取人脸图像测试样本，对人脸图像测试样本归一化为a×b像素的测试样本图像；d2：把测试样本图像转化为高维向量，将步骤d1获得的测试样本图像转化为m维向量，m=a×b，得到测试样本图像的高维向量记为且t=1,2,…,n；d3：将步骤d2得到的测试样本图像的高维向量投影到步骤c33中新的基矩阵W’上，得到该测试样本图像的系数向量ht，其中且ht∈Rr，Rr表示m维欧式空间；d4：分别计算测试样本图像的系数向量ht和系数矩阵H“各列的列向量之 间的欧式距离，i＝1,2,…,n，找出其中的欧式距离最小值对应的列向量作为测试样本图像的系数向量ht的识别匹配向量，进而判定测试样本图像与所述识别匹配向量对应的人脸样本图像来自于同一人。FDA00002395550600011.jpg,FDA00002395550600012.jpg,FDA00002395550600013.jpg,FDA00002395550600015.jpg,FDA00002395550600017.jpg,FDA00002395550600021.jpg,FDA00002395550600023.jpg,FDA00002395550600024.jpg,FDA00002395550600025.jpg,FDA00002395550600026.jpg,FDA00002395550600027.jpg,FDA00002395550600028.jpg,FDA00002395550600029.jpg,FDA000023955506000210.jpg,FDA000023955506000211.jpg,FDA000023955506000212.jpg,FDA00002395550600031.jpg...
【技术特征摘要】
1. 一种人脸图像识别方法，其特征在于具体包括如下步骤 步骤a :构建人脸样本图像数据库 在人脸库中任意选取η张人脸图像，对选取的人脸图像归一化为aXb像素的人脸样本图像； 步骤b :构建人脸样本图像的训练样本矩阵 bl :把人脸样本图像转化为高维向量，将步骤a构建的人脸样本图像数据库中的η张人脸样本图像分别转化为m维向量，且m=a...
【专利技术属性】
技术研发人员：葛永新，杨梦宁，马鹏，张小洪，洪明坚，徐玲，胡海波，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
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。