一种基于分离度差有监督局部保持投影的人脸识别方法技术

技术编号:8980872 阅读:222 留言:0更新日期:2013-07-31 22:56
本发明专利技术涉及的是一种生物特征身份识别领域,特别涉及一种基于分离度差有监督局部保持投影的人脸识别方法。本发明专利技术包括以下步骤:从人脸库中读取人脸图像;对人脸图像进行特征提取,形成人脸特征;对人脸区域图像进行特征提取,从而获得特征提取所需变换矩阵和训练人脸图像的特征;针对测试人脸图像进行特征提取,并通过基于欧氏距离的最近邻分类器进行分类识别。本发明专利技术避免了人脸识别中的小样本问题,同时也使得有监督局部保持投影方法不再受限于PCA过程保留特征维数。避免了由于小样本导致的类内分离度矩阵奇异的问题和难以选取PCA与SLPP最优匹配维数的问题。

【技术实现步骤摘要】

本专利技术涉及的是一种生物特征身份识别领域,特别涉及。
技术介绍
局部保持投影(Locality Preserving Projection, LPP)是一种局部线性特征提取方法,作为拉普拉斯特征映射的线性近似,它能够提取反映高维样本非线性流形的低维特征,同时也能够处理训练样本外的数据。局部保持投影本质上是一种无监督降维,并不能充分利用训练样本的类别信息(He X, Niyogi P.Locality preserving projections [J].Advances in Neural Information Processing Systems.2003,16:153-160)。申中华等则从保留类内局部结构和类间分离度的角度出发提出一种有监督的局部保留投影方法(Supervised Locality Preserving Projection, SLPP),在一定程度上提高了局部保持投影方法的性能,但该方法确定的目标函数为Rayleigh商形式,其求解过程类似于传统的Fisher准则,因此,在人脸识别等小样本应用中,会遇到类内分离度矩阵奇异的问题,一般的解决思路是采用PCA和SLPP相结合,但降维过程中SLPP保留特征的维数将严重受限于PCA过程中所保留的特征维数(申中华,潘永惠,王士同.有监督的局部保留投影降维算法[J],模式识别与人工智能,2008, 21 (2):233-239.)。
技术实现思路
本专利技术的目的在于提供一种能够有效避免有监督局部保持投影在小样本情况下导致类内分离度矩阵奇异的特征提取人脸识别方法。本专利技术的目的是这样实现的:本专利技术包括以下步骤:(I)从人脸库中读取人脸图像;(2)对人脸图像进行特征提取,形成人脸特征;(3)对人脸区域图像进行特征提取,从而获得特征提取所需变换矩阵和训练人脸图像的特征:I)定义类内分离度矩阵为Gw=XLwXt,类内分离度Jw=aTXLwXTa=aTGwa和类间分离度矩阵为Gb=XLbXt,类间分离度JB=aTXLBXTa=aTGBa,其中a为所求的投影向量,若W为类内相似度矩阵,Lw为通过W求取的类内拉普拉斯矩阵,X为高维欧氏空间中的训练样本,B为类间相似度矩阵,Lb为通过B求取的类间拉普拉斯矩阵;2)构造出差模式的目标函数参数η为非负的可调因子;3)求解广义分离度差矩阵(Gb-JIGw)的特征值和特征向量确定出最优的投影轴;(4)针对测试人脸图像进行特征提取,并通过基于欧氏距离的最近邻分类器进行分类识别。本专利技术的有益效果在于:本专利技术采用基于差模式的目标函数代替基于Rayleigh商形式的目标函数,避免了人脸识别中的小样本问题,同时也使得有监督局部保持投影方法不再受限于PCA过程保留特征维数。避免了由于小样本导致的类内分离度矩阵奇异的问题和难以选取PCA与SLPP最优匹配维数的问题。附图说明图1为基于分离度差有监督局部保持投影的人脸识别流程图;图2为部分训练样本图像;图3为部分测试样本图像;图4为Yale人脸库上的实验结果比较示意图;图5为ORL人脸库上的实验结果比较示意具体实施例方式下面结合附图对本专利技术作进一步描述:,首先需要从人脸数据库中读取人脸图像,然后针对人脸区域图像进行特征提取,最后通过最近邻分类完成人脸识别。1、读取人脸图像结合图2和图3,本专利技术使用了 2个人脸数据库,Yale人脸库,ORL人脸库。Yale人脸库包含了 15个人的165幅照 片,每个人由11幅照片所构成,为256级灰度,这些照片在不同表情和光照等条件下拍摄,其分辨率为100X100。实验中使用每人的前6幅图像作为训练样本,共90幅,剩余75幅图像作为测试样本。ORL人脸数据库,包括40个人,每人10幅,共400幅人脸图像,图像为256级灰度,分辨率为112X92 (宽X高)像素。拍摄于不同时间,采用统一的黑色均匀背景,一定范围内存在光照、面部表情变化(睁眼或者闭眼、微笑或者严肃)以及脸部细节变化(如是否戴眼镜)。所有的照片都是正面直立的,允许一定角度的头部倾斜和旋转。实验中使用每人的前5幅图像作训练样本,共200幅,剩余200幅图像用于测试。2、人脸特征提取方法2.1、局部保持投影(LPP)假设在高维欧氏空间Rd中存在样本X=Lx1, X2L, xN],其中N为样本的个数,D为样本的维数。局部保持投影的目标是寻找变换矩阵a,可将样本X映射到一个相对低维数的特征空间Rd,其中维数d〈〈D,如公式(I):Xi Ji=S^Xi, i=l, 2L N(I)其中Yi为降维之后的向量。假设局部保持投影的相似度矩阵为W,最小化目标函数为:|Γ(2)if其中,Wij是相似度矩阵W中的元素。最小化的目的是使高维空间中Xi和相近时,经过变换得到的低维Ji和y」也是相近的。目标函数可修改为如下形式:本文档来自技高网...

【技术保护点】
一种基于分离度差有监督局部保持投影的人脸识别方法,其特征在于,包括以下步骤:(1)从人脸库中读取人脸图像;(2)对人脸图像进行特征提取,形成人脸特征;(3)对人脸区域图像进行特征提取,从而获得特征提取所需变换矩阵和训练人脸图像的特征:1)定义类内分离度矩阵为GW=XLWXT,类内分离度JW=aTXLWXTa=aTGWa和类间分离度矩阵为GB=XLBXT,类间分离度JB=aTXLBXTa=aTGBa,其中a为所求的投影向量,若W为类内相似度矩阵,LW为通过W求取的类内拉普拉斯矩阵,X为高维欧氏空间中的训练样本,B为类间相似度矩阵,LB为通过B求取的类间拉普拉斯矩阵;2)构造出差模式的目标函数参数η为非负的可调因子;3)求解广义分离度差矩阵(GB?ηGW)的特征值和特征向量确定出最优的投影轴;(4)针对测试人脸图像进行特征提取,并通过基于欧氏距离的最近邻分类器进行分类识别。FDA00003057997300011.jpg

【技术特征摘要】
1.一种基于分离度差有监督局部保持投影的人脸识别方法,其特征在于,包括以下步骤: (1)从人脸库中读取人脸图像; (2)对人脸图像进行特征提取,形成人脸特征; (3)对人脸区域图像进行特征提取,从而获得特征提取所需变换矩阵和训练人脸图像的特征: 1)定义类内分离度矩阵为Gw=XLwXt,类内分离度Jw=aTXLwXTa=aTGwa和类间分离度矩阵为Gb=XLbXt,类间分离度JB=aTXLBXTa=aTG...

【专利技术属性】
技术研发人员:王科俊邹国锋曹晶唐墨吕卓纹付斌
申请(专利权)人:哈尔滨工程大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1