一种基于多层级联边界中值判别投影的人脸识别方法技术

本发明专利技术公开了一种基于多层级联边界中值判别投影的人脸识别方法，对人脸图像进行分块和去均值化，根据待识别样本与每类中值样本的距离来计算类内离散度矩阵和类间离散度矩阵；计算第一层卷积层的卷积核及第二层的输入图像，进行第二次卷积得到输出特征图；二值化输出特征图，对特征图分块，计算对应直方图并拼接成完整向量。将特征输出向量输入分类器中训练并输出分类结果。本发明专利技术利用样本中值来反映样本分布的集中趋势，鉴别能力强；采用多层级联方式训练样本，计算类内离散度矩阵强调离中值最远样本作用的同时考虑同类中其它样本，判别能力强；只需两次训练，计算速度快；计算类间离散度矩阵时，最大化投影之后异类样本之间的距离，分类精度高。分类精度高。分类精度高。

【技术实现步骤摘要】
一种基于多层级联边界中值判别投影的人脸识别方法


[0001]本专利技术属于图像识别
，涉及一种基于多层级联边界中值判别投影的人脸识别方法。

技术介绍

[0002]人脸识别是一种重要的身份鉴别方式，在公安档案管理系统、银行安全验证系统和人机交互等领域有着广阔的应用前景。特征提取是人脸识别的重要步骤，通过降维可以消除人脸图像中的噪声，挖掘数据的本质特征，利用提取出的特征可以更好地完成分类任务。
[0003]近年来，基于轻量化的卷积神经网络的图像特征提取方法被广泛应用于人脸识别中。比较著名的基于轻量化的卷积神经网络的图像特征提取方法有：(1)多层级联PCA网络(PCANet)，记载于2015年在IEEEtransactions on image processing第24卷第12期5017
‑
5023页发表的《PCANet:A Simple Deep LearningBaseline for Image Classification？》中，该方法利用无监督降维方法PCA来训练卷积核，经过两次卷积得到输出特征图，二值化输出特征图，对特征图进行分块，计算对应的直方图并拼接成完整向量，将这些特征输出向量输入进分类器中进行训练，并对测试图像进行分类结果输出；(2)多层级联LDA网络(LDANet)，记载于2015年在IEEE transactions on image processing第24卷第12期5017
‑
5023页发表的《PCANet:A Simple Deep LearningBaseline for Image Classification？》中，该方法利用有监督降维方法LDA来训练卷积核，经过两次卷积得到输出特征图，二值化输出特征图，对特征图进行分块，计算对应的直方图并拼接成完整向量，将这些特征输出向量输入进分类器中进行训练，并对测试图像进行分类结果输出；(3)多层级联LPP网络(LPPNet)，记载于肖美红于2018年在河南大学硕士学位论文中发表的《基于LPPNet的图像特征提取及识别方法》，该方法利用有监督降维方法LPP来训练卷积核，经过两次卷积得到输出特征图，二值化输出特征图，对特征图进行分块，计算对应的直方图并拼接成完整向量，将这些特征输出向量输入进分类器中进行训练，并对测试图像进行分类结果输出。这三类方法基本思想较为相近，都是用传统特征提取方法作为卷积核的训练方法，但各有缺陷：其中PCANet利用无监督学习方法PCA来重构卷积核，没有充分利用样本的类别信息；LDANet利用有监督学习方法LDA来重构卷积核，利用了样本的类别信息，但是忽略了样本间的空间结构，同时由于LDA自身对正负样本的分离能力有限，LDANet相比于PCANet模型的判别能力提升有限；LPPNet则采用无监督降维方法LPP来重构卷积核，在重构卷积核的过程中充分考虑了类别信息和样本间的局部空间结构，但是忽略了全局空间结构。

技术实现思路

[0004]为解决上述问题，本专利技术提出了一种基于多层级联边界中值判别投影的人脸识别方法，其对待识别样本进行分块和去均值化处理，同时根据待识别样本与每类中值样本的距离信息来构建类内离散矩阵和类间离散矩阵，重新定义了样本边界的距离来获得具有更
好性能的低维数据特征，然后计算第一层卷积层的卷积核以及第二层的输入图像，仿照第一层卷积过程进行第二层卷积，得到输出特征图。通过二值化输出特征图，对特征图进行分块，计算对应的直方图并拼接成完整向量。最后将这些特征输出向量输入进分类器中进行训练，并对测试图像进行分类结果输出。
[0005]为了达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于多层级联边界中值判别投影的人脸识别方法，包括如下步骤：
[0007]步骤1：对人脸图像进行分块和去均值化处理；
[0008]步骤2：计算每类样本中的中值样本；
[0009]步骤3：计算样本的最远同类样本与最近异类样本的距离；
[0010]步骤4：计算类内离散度矩阵和类间离散度矩阵；
[0011]步骤5：计算第一层卷积层的卷积核以及第二层的输入图像；
[0012]步骤6：第二次卷积得到输出特征图；
[0013]步骤7：二值化输出特征图
[0014]步骤8：对特征图进行分块，计算对应的直方图并拼接成完整向量；
[0015]步骤9：将这些特征输出向量输入进分类器中进行训练，并对测试图像进行分类结果输出。
[0016]进一步的，所述步骤1包括如下过程：
[0017]假设C类大小为m
×
n的N个样本图像以每个像素为中心点，对第i幅人脸图像取块且取块大小为k1×
k2，收集所有块即得此处x
i,j
是图像I
i
的第j个块，且符号是取不超过z的最大整数；对x
i,j
去均值化处理，得到：
[0018][0019]其中是指去均值化之后的块，1是对应的大小的全1向量；将组合，形成样本矩阵，得到：
[0020][0021]进一步的，所述步骤2包括如下过程：
[0022]设M
i
为第i类样本的中值向量，其计算过程如下：
[0023]设第i类样本为：
[0024][0025]其中表示b类中第a个样本，表示b类中第a个样本的第c个块，n
i
为每一类样
本中的训练样本数；则M
i
的第j行数据为计算的过程是将按从小到大的顺序排序。
[0026]进一步的，计算时假设若n
i
是奇数，则若n
i
是偶数，则
[0027]进一步的，所述步骤3包括如下过程：
[0028]计算第i个样本到其所在类j的中值样本的距离公式为：
[0029][0030]假设距离类中值样本最远的同类样本个数为G1，类中值近邻的异类样本个数G2，依据距离公式计算出每一类样本中距类中值最远的同类样本的集合，定义为计算出每一类样本中距类中值最近的异类样本的集合，定义为
[0031]进一步的，所述步骤4包括如下过程：
[0032]通过以下公式分别计算类内离散度矩阵和类间离散度矩阵S
w
与S
b
：
[0033][0034][0035]其中用于刻画同类中其他样本的重要性，t为热核系数，λ为系数。
[0036]进一步的，所述步骤5包括如下过程：
[0037]算法的优化目标表示为
[0038]maxtr(V
T
(S
b
‑
S
w
)V)s.t.V
T
V＝I
ꢀꢀ
(7)
[0039]对特征向量的集合进行求解：对矩阵(S
b
‑
S
w
)进行特征分解，求出前r个最大的特征值对应的特征向量v1,v2,...,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层级联边界中值判别投影的人脸识别方法，其特征在于，包括如下步骤：步骤1：对人脸图像进行分块和去均值化处理；步骤2：计算每类样本中的中值样本；步骤3：计算样本的最远同类样本与最近异类样本的距离；步骤4：计算类内离散度矩阵和类间离散度矩阵；步骤5：计算第一层卷积层的卷积核以及第二层的输入图像；步骤6：第二次卷积得到输出特征图；步骤7：二值化输出特征图步骤8：对特征图进行分块，计算对应的直方图并拼接成完整向量；步骤9：将这些特征输出向量输入进分类器中进行训练，并对测试图像进行分类结果输出。2.根据权利要求1所述的基于多层级联边界中值判别投影的人脸识别方法，其特征在于，所述步骤1包括如下过程：假设C类大小为m
×
n的N个样本图像以每个像素为中心点，对第i幅人脸图像取块且取块大小为k1×
k2，收集所有块即得此处x
i,j
是图像I
i
的第j个块，且符号是取不超过z的最大整数；对x
i,j
去均值化处理，得到：其中是指去均值化之后的块，1是对应的大小的全1向量；将组合，形成样本矩阵，得到：3.根据权利要求1所述的基于多层级联边界中值判别投影的人脸识别方法，其特征在于，所述步骤2包括如下过程：设M
i
为第i类样本的中值向量，其计算过程如下：设第i类样本为：其中表示b类中第a个样本，表示b类中第a个样本的第c个块，n
i
为每一类样本中的训练样本数；则M
i
的第j行数据为计算的过程是将按从小到大的顺序排序。
4.根据权利要求3所述的基于多层级联边界中值判别投影的人脸识别方法，其特征在于，计算时假设若n
i
是奇数，则若n
i
是偶数，则5.根据权利要求1所述的基于多层级联边界中值判别投影的人脸识别方法，其特征在于，所述步骤3包括如下过程：计算第i个样本到其所在类j的中值样本的距离公式为：假设距离类中值样本最远的同类样本个数为G1，类中值近邻的异类样本个数G2，依据距离公式计算出每一类样本中距类中值最远的同类样本的集合，定义为计算出每一类样本中距类中值最近的异类样本的集合，定义为6.根据权利要求1所述的基于多层级联边界中值判别投影的人脸识别方法，其特征在于，所述步骤4包括如下过程：通过以下公式分别计算类内离散度矩阵和类间离散度矩阵S
w
与S
b
：：其中用于刻画同类中其他样本的重要性，t为热核系数，λ为系数。7.根据权利要求1所述的基于多层级联边界中值判别投影的人...

【专利技术属性】
技术研发人员：黄璞，杜旭然，杨章静，
申请(专利权)人：南京审计大学，
类型：发明
国别省市：