【技术实现步骤摘要】
基于正交化的图正则非负矩阵分解的人脸识别方法及系统
本专利技术属于人脸识别领域,具体涉及一种基于正交化的图正则非负矩阵分解的人脸识别方法。
技术介绍
在计算机视觉领域,人脸识别技术已经成为炙手可热的研究方向,每年都有大量的创新应用在人脸识别技术上,不断地刷新着人脸识别精确率。人脸识别的应用场景也是非常广泛,乘车可以扫描人脸进站、办公室内人脸识别打卡以及利用人脸识别进行刑侦破案等等。可以预见,人脸识别在未来更是前途无限。非负矩阵分解(NMF)是Lee和Seung在2000年提出的一种算法。在矩阵元素非负的条件下,NMF算法将矩阵X分解成X=UV,其中U和V分别为特征矩阵和权重矩阵。利用NMF提取人脸特征可以将人脸表示成一种特征矩阵的线性组合,其中特征矩阵可以表示人脸的眼睛、鼻子等局部特征。DengCai等人在NMF的基础上提出了图正则非负矩阵分解(GNMF),他认为如果原始的特征空间中的两个点相近,那么在矩阵分解后的新的特征空间中,两个点应该依旧临近,于是GNMF在NMF中融入了几何信息。现有的非负矩阵分解的方法可以继续改善。关于聚类的实验表明,正交化的限制可以优化聚类效果。因为在施加正交化项之后,矩阵分解得到的矩阵更加稀疏。为了增强矩阵的稀疏表达能力,我们在GNMF的基础上增加了一个正交化项。整个OGNMF模型可以很好的保持原始矩阵结构信息和稀疏性,可以分解出更鲁棒的基矩阵和系数矩阵,能够有效的提高人脸识别率。
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种基于正交 ...
【技术保护点】
1.一种基于正交化的图正则非负矩阵分解的人脸识别方法,其特征在于,包括以下步骤:/n步骤S1,对训练和测试的人脸图像进行包括尺寸归一化、滤波去噪和灰度归一化在内的预处理;/n步骤S2,在步骤S1的基础上,将训练集的图像进行一维化,拼接成矩阵,然后利用正交化的图正则非负矩阵分解得到新的基矩阵,提取人脸特征;/n步骤S3,在步骤S2的基础上,将待测试人脸数据集矩阵投影到基矩阵中得到对应的特征向量;/n步骤S4,在步骤S3的基础上,利用最近邻分类器进行人脸识别检测。/n
【技术特征摘要】
1.一种基于正交化的图正则非负矩阵分解的人脸识别方法,其特征在于,包括以下步骤:
步骤S1,对训练和测试的人脸图像进行包括尺寸归一化、滤波去噪和灰度归一化在内的预处理;
步骤S2,在步骤S1的基础上,将训练集的图像进行一维化,拼接成矩阵,然后利用正交化的图正则非负矩阵分解得到新的基矩阵,提取人脸特征;
步骤S3,在步骤S2的基础上,将待测试人脸数据集矩阵投影到基矩阵中得到对应的特征向量;
步骤S4,在步骤S3的基础上,利用最近邻分类器进行人脸识别检测。
2.根据权利要求1所述的一种基于正交化的图正则非负矩阵分解的人脸识别方法,其特征在于,所述步骤S1预处理包括以下几个步骤:
步骤S1.1:尺寸归一化:将脸部图像放缩到一个统一的尺寸;
步骤S1.2:滤波去噪:利用中值滤波去除人脸图像中的噪声;
步骤S1.3:灰度归一化:利用直方图均衡化对图像进行灰度变换,使得人脸图像遵循相似的灰度分布。
3.根据权利要求1所述的一种基于正交化的图正则非负矩阵分解的人脸识别方法,其特征在于,所述步骤S2利用正交化的图正则非负矩阵分解提取人脸特征,包括如下,步骤:
步骤S2.1:假设有n个训练样本,将每个样本一维化,组成训练样本矩阵为X=[x1,x2,...,xn],其中xi为一个单独的人脸图像;
步骤S2.2:针对样本矩阵X计算出矩阵的拉普拉斯矩阵L=D-W,其中D是样本矩阵的度矩阵,W是样本矩阵的邻接矩阵;
步骤S2.3:设定最大迭代次数t、平滑参数λ和正交参数μ,通过最小化如下的目标函数来更新权重:...
【专利技术属性】
技术研发人员:王国胤,喻君武,夏书银,彭道万,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆;50
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。