基于鲁棒位置保留映射的人脸识别方法技术

一种图像处理技术领域的基于鲁棒位置保留映射的人脸识别方法。本发明专利技术首先建立基于Ｍ估计技术的鲁棒估计器，得到每一训练节点的权重；然后根据鲁棒路径相似性度量的方法，计算出任意两个节点之间的相似性，再在相似性中按照最近邻原则，确定所有节点的邻接点，计算出输入数据的稀疏相似矩阵，最后将这一相似矩阵应用到位置保留映射中，根据特征值问题求出投影矩阵，得出训练投影系数矩阵和测试投影系数矩阵，用最小距离方法进行识别。本发明专利技术能够在有异常观测点的情况下，准确地得出输入节点的相似矩阵，从而提高了位置保留映射的鲁棒性，应用到人脸识别中，可以提高识别性能。

【技术实现步骤摘要】

本专利技术涉及一种图像处理
的方法，具体是一种。可用于视频监控系统、视频会议系统、军事目标跟踪识别系统等各类民用及军用系统中。
技术介绍
人脸识别技术已经成为当今研究的热点。该项技术已成功应用于照片匹配、人机界面、自动取款机、视频监控等领域。目前人脸识别的难点主要是人脸在发生表情、姿态、光照等变化情况下，识别精度比较低。作为人脸识别关键环节之一的特征提取方法，就是将原始的高维数据映射到一个低维的特征空间。该技术已经成为了机器学习和模式识别的一个研究热点。常用的线性特征提取方法有主成分分析方法(PCA)、线性判别式分析方法(LDA)，以及最近发展的位置保留映射方法(LPP)。主成分分析方法保留了原始数据空间的全局结构，线性判别式分析主要保留差别信息，位置保留映射方法只保留原始数据空间的局部信息，而在人脸识别中，局部信息起到了非常重要的作用。经对现有技术文献的检索发现，X.He等在《IEEE Trans.on PatternAnalysis and Machine Intellegence 2005》(vol.27，no.3，pp.328-340)上发表了“Face Recognition Using Laplacianfaces”(基于拉普拉斯脸的人脸识别方法，模式分析与机器智能IEEE杂志)。该文首先提出了利用位置保留映射的特征提取方法进行人脸识别，通过实验表明，该方法能够得到优于主成分分析和判别式分析的识别结果。但是在实际应用中，人脸识别还受到很多因素，如表情、姿态、光照等变化的影响。迄今为止，还没有人提出能够提高识别鲁棒性的位置保留映射方法。
技术实现思路
本专利技术的目的在于克服现有位置保留映射方法的不足，提供一种，使其用于人脸识别，能够提高人脸识别的精度。本专利技术是通过以下技术方案实现的，首先建立基于M估计技术的鲁棒估计器，得到每一训练节点的权重；然后根据鲁棒路径相似性度量的方法，计算出任意两个节点之间的相似性；再在相似性中按照最近邻原则，确定所有节点的邻接点，计算出输入数据的稀疏相似矩阵；最后将这一相似矩阵应用到位置保留映射中，根据特征值问题求出投影矩阵，得出训练投影系数矩阵和测试投影系数矩阵，用最小距离方法进行识别。以下对本专利技术方法作进一步的说明，具体实现步骤如下(1)节点权重的确定建立一权重图，将每一输入数据看作一个节点，根据欧几里德距离，求出每一节点的邻接点。根据最小化权重平方误差的思想，采用Huber函数，建立基于M估计技术的鲁棒估计器，得到每一节点的权重，权重越小，表示该观测点是异常观测点的可能性越大。(2)相似矩阵确定建立一个连接图，使得属于同一类的节点完全连接，得到任意两个节点的相似性，根据基于路径的相似测量和步骤(1)中得到的节点权重，求出任意两个节点的相似性，该相似性能够在有异常观测情况下真实地反应两个节点的相似程度。(3)投影矩阵的确定根据步骤(2)中得到的任意两个节点的相似性和最近邻原则，求出输入节点的相似矩阵，由这一相似矩阵推出拉普拉斯矩阵。再根据位置保留映射的思想，求出投影矩阵。(4)识别将所有训练图像向量投影到步骤(3)得到的投影矩阵中，得到训练系数矩阵，再将测试图像投影到投影矩阵，得到测试系数矩阵，采用最小距离分类器进行分类识别。本专利技术同传统的位置保留系数方法相比，能够在有异常观测点的情况下，准确地得出输入节点的相似矩阵，从而提高了位置保留映射的鲁棒性，应用到人脸识别中，可以提高识别性能。本专利技术可应用于视频监控系统、视频会议系统、军事目标跟踪识别系统等各类民用及军用系统中，具有广阔的市场前景和应用价值。附图说明图1为本专利技术处理方法总体框图。图2为本专利技术的识别结果。其中横坐标为特征值的个数，纵坐标为识别结果。具体实施例方式为了更好地理解本专利技术的技术方案，以下结合附图对本专利技术的实施方式作进一步描述。如图1所示，首先通过训练数据确定节点的权重，然后计算出相似矩阵，根据相似矩阵得出投影矩阵，最后将训练图像和测试图像都投影到投影矩阵中，得到训练系数矩阵和测试系数矩阵，利用最小距离分类器进行识别。各部分具体实施细节如下1.节点权重的确定根据M估计得到一个鲁棒估计器。假设训练数据为{x1，x2，…，xN}，N为训练数据的个数，每一训练数据代表一个节点。同时，假设每一节点的邻接点个数为K，所有节点的平方误差和可表示为E=Σi=1N1KΣxj∈Ni||xi-xj||2---(1)]]>Ni为节点xi的邻接点集合。为了利用鲁棒估计技术，最优问题可以转化为最小化加权平方误差和Ew=Σi=1NΣxj∈Niaij(||xi-xj||K)2---(2)]]>aij为权重，根据Huber思想，可以设计一个鲁棒估计器来替代最小平方估计器，这一鲁棒估计器的目的是最小化目标函数Eρ=Σi=1NΣxj∈Niρ(||xi-xj||K)=Σi=1NΣxj∈Niρ(eij)---(3)]]>ρ是一个凸函数，在本专利技术中，选ρ为Huber函数，表示为ρ(eij)=12eij2c(|eij|-12c)---(4)]]>对于某个特定的参数c＞0，权重函数可以定义为aij=ψ(eij)eij=ρ′(eij)eij=1|eij|≤cc|eij||eij|>c---(5)]]>c为一个设定的数值，对于某一训练数据xi，将其所有邻居的权重值aij相加，即可获得该点的权重，权重越小，表明该点是异常观测值的可能性就越大。2.相似矩阵的确定建立一个连接图，使得属于同一类的节点完全连接，任意两个节点的相似性可以表示成Sij=exp(-||xi-xj||2/t)i≠j andi,j belong to sameclass0otherwise---(6)]]>t为一个设定的数值，假设Pij表示节点xi和xj之间所有路径的集合，在计算两点之间的相似性时，可以参考经过这两点的所有路径，基于鲁棒路径的相似测量可表示成Sij′=maxp∈Pij{min1≤h<|p|{apapSpp}}---(7)]]>|p|表示路径p经过的节点数，从式(7)可以看出，如果节点xi和xj之间存在某一条路径，这条路径上所有的节点都具有很大的ap，ap和Spp，那么这两个节点就会具有较好的相似性；相反，如果这两个节点之间的所有路径都至少包含一个较小的ap，ap或Spp，那么，这两个节点之间的相似性就相对较小。这样，即使存在异常观测点的情况下，Sij′也能反映出两个节点的真实相似程度。在相似性矩阵Sij中，找出所有节点的近邻节点，求训练数据的稀疏相似矩阵S″，S″可以表示为Sij′′=Sij&本文档来自技高网...

【技术保护点】
一种基于鲁棒位置保留映射的人脸识别方法，其特征在于，首先建立基于Ｍ估计技术的鲁棒估计器，得到每一训练节点的权重，然后根据鲁棒路径相似性度量的方法，计算出任意两个节点之间的相似性，再在相似性中按照最近邻原则，确定所有节点的邻接点，计算出输入数据的稀疏相似矩阵，最后将这一相似矩阵应用到位置保留映射中，根据特征值问题求出投影矩阵，得出训练投影系数矩阵和测试投影系数矩阵，用最小距离方法进行识别。

【技术特征摘要】

【专利技术属性】
技术研发人员：敬忠良，江艳霞，周宏仁，赵海涛，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[中国|上海]