一种人脸识别方法及系统技术方案

本申请提供了一种人脸识别方法，通过互为近邻的同类样本之间的实际距离，并构建类内邻接图，通过互为近邻的异类样本之间的实际距离，并构建类间邻接图，确定最佳目标维数和投影变换矩阵，将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中，利用所述投影变换矩阵，将待测样本映射到所述判别子空间中，得到测试样本；利用最近邻分类模块，对所述测试样本进行分类。因此，本申请的类内邻接图和类间邻接图是通过近邻样本之间的实际距离得到的，能够反映样本真实的局部结构，因此提高了对待测样本进行分类的分类性能。

【技术实现步骤摘要】
一种人脸识别方法及系统
本专利技术涉及人脸识别领域，特别涉及一种人脸识别方法及系统。
技术介绍
人脸识别技术是一种重要的生物特征识别技术，在公共安全、信息安全等领域具有广阔的应用前景。在人脸识别技术中，通常利用K-最近邻分类器对人脸图像进行分类，需要计算每一个待分类的样本到其他全体已知样本的距离，从而求出待分类样本的K个最近邻点，由于真实世界的图像数据的维度较高，因此计算量特别大，使得运算速度特别慢。为了提高运算速度，现有技术中，通常采用判别近邻嵌入算法将人脸图像数据映射到低维空间，来减小K-最近邻分类器的计算量，但是，判别近邻嵌入算法只构建一个邻接图，且所构建的邻接图只是标识出每个训练样本与其近邻样本之间的类别关系，并没有区分出该训练样本与其近邻样本之间的实际距离，因此，所构建的邻接图不能真实反映出训练样本集的局部结构，导致对待测样本进行分类的分类性能较差。
技术实现思路
为解决上述技术问题，本申请实施例提供一种人脸识别方法及系统，以达到提高对待测样本进行分类的分类性能的目的，技术方案如下：一种人脸识别方法，包括：对预存储的原始训练样本集中的各个训练样本进行降维；通过降维后的各个训练样本的标签类别，确定降维后的各个训练样本的同类近邻集合和异类近邻集合，其中降维后的各个训练样本的标签类别与降维前的标签类别相同；根据所述同类近邻集合，确定互为近邻的同类样本之间的实际距离，并构建类内邻接图；根据所述异类近邻集合，确定互为近邻的异类样本之间的实际距离，并构建类间邻接图；根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本，确定最佳目标维数和投影变换矩阵；将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中，并将所述最佳目标维数作为所述判别子空间的训练样本集的维数；利用所述投影变换矩阵，将待测样本映射到所述判别子空间中，得到测试样本；利用最近邻分类模块，对所述测试样本进行分类。优选的，所述原始训练样本集由表征，yi是xi的类别标签，c表示类别数，N表示训练样本的总个数，D表示训练样本的维数；降维后的训练样本组成的训练样本集由表征，所述d为训练样本降维后的维数；所述类内邻接图具体为：其中，所述Fw为类内邻接图，和分别表示样本和的同类近邻集合，且与类别相同，d(i,j)为样本和样本的距离，t>0是一个常数，所述用于表示类别相同的所述和所述互为近邻；所述类间邻接图具体为：其中，和分别表示样本和的异类近邻集合，且与类别不相同，用于表示类别不相同的所述和所述互为近邻。优选的，根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本，确定最佳目标维数和投影变换矩阵的过程，包括：对进行特征分解，获得特征值λi及其对应的特征矢量Pi，i=1,…,d，其中是由降维后的训练样本组成的训练样本矩阵，S=Db-Fb-Dw+Fw，Dw是一个对角矩阵，且对角线上的元素为Db是一个对角矩阵，且对角线上的元素为把特征值λi按照从大到小的顺序排列，即λ1≥λ2≥…≥λd，则将所有正特征值的个数确定为所述目标维数r，将投影变换矩阵确定为P=[P1,…,Pr]。优选的，所述将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中，并将所述最佳目标维数作为所述判别子空间的训练样本集的维数，包括：将所述降维后的训练样本按照投影变换矩阵P进行变换，获得所述训练样本在判断子空间中的表示确定所述判别子空间的训练集为优选的，所述利用所述投影变换矩阵，将待测样本映射到所述判别子空间中，得到测试样本，包括：将待测样本x进行降维，变为利用所述投影变换矩阵P，将降维后的待测样本变换到所述判别子空间中，得到所述判别子空间中的测试样本优选的，所述利用最近邻分类模块，对所述测试样本进行分类，包括：计算所述测试样本v与多个所述训练样本vi之间的距离；确定与所述测试样本v的距离最小的训练样本vi，并将该训练样本vi对应的类别标签yi赋予给所述测试样本v。一种人脸识别系统，包括：降维模块，用于对预存储的原始训练样本集中的各个训练样本进行降维；第一确定模块，用于通过降维后的各个训练样本的标签类别，确定降维后的各个训练样本的同类近邻集合和异类近邻集合，其中降维后的各个训练样本的标签类别与降维前的标签类别相同；第一构建模块，用于根据所述同类近邻集合，确定互为近邻的同类样本之间的实际距离，并构建类内邻接图；第二构建模块，用于根据所述异类近邻集合，确定互为近邻的异类样本之间的实际距离，并构建类间邻接图；第二确定模块，用于根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本，确定最佳目标维数和投影变换矩阵；变换模块，用于将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中，并将所述最佳目标维数作为所述判别子空间的训练样本集的维数；映射模块，用于利用所述投影变换矩阵，将待测样本映射到所述判别子空间中，得到测试样本；最近邻分类模块，用于对所述测试样本进行分类。优选的，所述第二确定模块包括：分解单元，用于对进行特征分解，获得特征值λi及其对应的特征矢量Pi，i=1,…,d，其中X是由降维后的训练样本组成的训练样本矩阵，S=Db-Fb-Dw+Fw，Dw是一个对角矩阵，且对角线上的元素为Db是一个对角矩阵，且对角线上的元素为第一确定单元，用于把特征值λi按照从大到小的顺序排列，即λ1≥λ2≥…≥λd，则将所有正特征值的个数确定为所述目标维数r，将投影变换矩阵确定为P=[P1,…,Pr]。优选的，所述变换模块包括：第一变换单元，用于将所述降维后的训练样本按照投影变换矩阵P进行变换，获得所述训练样本在判断子空间中的表示第二确定单元，用于确定所述判别子空间的训练集为优选的，所述映射模块包括：降维单元，用于将待测样本x进行降维，变为第二变换单元，用于利用所述投影变换矩阵P，将降维后的待测样本x变换到所述判别子空间中，得到所述判别子空间中的测试样本所述最近邻分类模块包括：计算单元，用于计算所述测试样本v与多个所述训练样本vi之间的距离；第三确定单元，用于确定与所述测试样本v的距离最小的训练样本vi，并将该训练样本vi对应的类别标签yi赋予给所述测试样本v。与现有技术相比，本申请的有益效果为：在本申请中，首先构建类内邻接图和类间邻接图，然后将降维后的训练样本和测试样本投影到低维度的判别子空间中，这个过程需要求出投影变换矩阵和目标维数，在低维度的判别子空间中对测试样本进行分类。本申请由于类内邻接图和类间邻接图是通过近邻样本之间的实际距离得到的，能够反映样本真实的局部结构，因此提高了对待测样本进行分类的分类性能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1是本申请提供的一种人脸识别方法的一种流程图；图2是本申请提供的一种人脸识别系统的一种结构示意图；图3是本申请提供的一种第二确定模块的一种结构示意图；图4是本申请提供的一种变换模块的一种结构示意图；图5是本申请提供的一种映射模块的一种结构示意图；图6是本申请提供的一种最近邻分类模块的一种结构示意图。具体实施方本文档来自技高网...

【技术保护点】
一种人脸识别方法，其特征在于，包括：对预存储的原始训练样本集中的各个训练样本进行降维；通过降维后的各个训练样本的标签类别，确定降维后的各个训练样本的同类近邻集合和异类近邻集合，其中降维后的各个训练样本的标签类别与降维前的标签类别相同；根据所述同类近邻集合，确定互为近邻的同类样本之间的实际距离，并构建类内邻接图；根据所述异类近邻集合，确定互为近邻的异类样本之间的实际距离，并构建类间邻接图；根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本，确定最佳目标维数和投影变换矩阵；将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中，并将所述最佳目标维数作为所述判别子空间的训练样本集的维数；利用所述投影变换矩阵，将待测样本映射到所述判别子空间中，得到测试样本；利用最近邻分类模块，对所述测试样本进行分类。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：对预存储的原始训练样本集中的各个训练样本进行降维；通过降维后的各个训练样本的标签类别，确定降维后的各个训练样本的同类近邻集合和异类近邻集合，其中降维后的各个训练样本的标签类别与降维前的标签类别相同；根据所述同类近邻集合，确定互为近邻的同类样本之间的实际距离，并构建类内邻接图；根据所述异类近邻集合，确定互为近邻的异类样本之间的实际距离，并构建类间邻接图；根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本，确定最佳目标维数和投影变换矩阵，所述根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本，确定最佳目标维数和投影变换矩阵的过程，包括：对进行特征分解，获得特征值λi及其对应的特征矢量Pi，i＝1,…,d，其中是由降维后的训练样本组成的训练样本矩阵，S＝Db-Fb-Dw+Fw，Dw是一个对角矩阵，且对角线上的元素为Db是一个对角矩阵，且对角线上的元素为把特征值λi按照从大到小的顺序排列，即λ1≥λ2≥…≥λd，则将所有正特征值的个数确定为所述最佳目标维数r，将投影变换矩阵确定为P＝[P1,…,Pr]；所述原始训练样本集由表征，xi表示原始训练样本，yi是xi的类别标签，c表示类别数，N表示训练样本的总个数，D表示训练样本的维数，所述R表示原始训练样本集；降维后的训练样本组成的训练样本集由表征，所述d为训练样本降维后的维数，所述R表示降维后的训练样本组成的训练样本集；所述类内邻接图具体为：其中，所述Fw为类内邻接图，和分别表示样本和的同类近邻集合，且与类别相同，d(i,j)为样本和样本的距离，t＞0是一个常数，所述用于表示类别相同的所述和所述互为近邻；所述类间邻接图具体为：其中，所述Fb为类间邻接图，和分别表示样本和的异类近邻集合，且与类别不相同，用于表示类别不相同的所述和所述互为近邻；将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中，并将所述最佳目标维数作为所述判别子空间的训练样本集的维数；利用所述投影变换矩阵，将待测样本映射到所述判别子空间中，得到测试样本；利用最近邻分类模块，对所述测试样本进行分类。2.根据权利要求1所述的方法，其特征在于，所述将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中，并将所述最佳目标维数作为所述判别子空间的训练样本集的维数，包括：将所述降维后的训练样本按照投影变换矩阵P进行变换，获得所述训练样本在判断子空间中的表示确定所述判别子空间的训练集为所述R表示所述判别子空间的训练集。3.根据权利要求2所述的方法，其特征在于，所述利用所述投影变换矩阵，将待测样本映射到所述判别子空间中，得到测试样本，包括：将待测样本x进行降维，变为所述R表示降维后的训练样本组成的训练样本集；利用所述投影变换矩阵P，将降维后的待测样本变换到所述判别子空间中，得到所述判别子空间中的测试样本4.根据权利要求3所述的方法，其特征在于，所述利用最近邻分类模块，对所述测试样本进行分类，包括：计算所述测试样本v与多个所述训练样本vi之间的距离；确定与所述测试样本v的距离最小的训练样本vi，并将该训练样本v...

【专利技术属性】
技术研发人员：张莉，丁春涛，严晨，王邦军，何书萍，杨季文，李凡长，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32