CN102129557A - 一种基于lda子空间学习的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于LDA子空间学习的人脸识别方法，其特征在于：其包括以下步骤：将人脸图像进行转正等预处理；计算其梯度多尺度局部相位量化GMLPQ特征集；应用Adaboost选择器筛选出其中候选特征子集；应用LDA子空间分析器，分析得到人脸特征模板；将该人脸特征模板与预建人脸特征模板库进行匹配，获取识别人身份信息。本发明提出经过学习得到优选的中心点作为余弦距离的中心点，增强了通过计算样本距离来度量样本相似度的有效性，提高了子空间方法的分类性能。本发明的环境适应性强，在图像模糊、低分辩率、各种光照条件下都具有较好的识别率和误识率，并且计算速度快，特别适合于嵌入式产品，可大规模推广应用。

Description

一种基于LDA子空间学习的人脸识别方法

技术领域

本发明属于人脸识别方法。

背景技术

人脸识别技术是当前大力发展的生物识别技术之一。人脸识别***主要包括数据采集子***、人脸检测子***和人脸识别子***。人脸特征提取是人脸识别子***最为关键的技术，好的人脸特征提取技术将使提取的人脸特征值更小、辨别性能更好，可以提高识别率和降低误识率。目前已存在的人脸特征提取方法主要有：基于几何特征方法、基于子空间分析方法、基于小波理论方法、基于神经网络方法、基于隐马尔可夫模型方法、基于支持向量机方法和基于三维模型方法。基于几何特征方法的思想是提取人脸面部具有代表性的部位(例如眉毛、眼睛、鼻子、嘴巴等)的相对位置和相对大小作为特征，再辅以人脸轮廓的形状信息作为特征，本方法容易受光照、表情、遮挡等因素的影响，稳定性不高。基于小波理论的人脸识别方法主要思想是人脸图像在经过小波变换后得到的低频图像可用于表示人脸。人工神经网络ANN是由大量简单的处理单元相互连接而成的网络***，在自学习、自组织、联想及容错方面具有较强的能力，在学习过程中提取得到的特征可作为人脸特征进行识别。基于子空间分析的方法是目前比较流行的人脸识别方法，基本思想是把高维空间中松散分布的人脸图像通过线性或非线性变换投影到一个低维的子空间中，使得人脸图像的分布在低维子空间中更加紧凑，更有利于分类，并且从高维计算变为低维计算可解决“维数灾难”问题。线性子空间方法有：主元分析PCA、奇异值分解SVD、线性判别分析LDA、独立主元分析ICA和非负矩阵因子NMF等，非线性子空间方法有：核主成份分析、核Fishe判别分析、流形学习方法等。子空间分析的方法具有计算代价小、描述能力强、分类性强等特点，基于可分性准则的线性判别分析方法是当前人脸识别的主流方法之一。传统的子空间分析方法在训练过程中都是以欧式距离来衡量不同样本之间的相似性。对于欧式距离来说，不同的中心点坐标对于样本间的欧式距离没有影响。而对于余弦距离来说，坐标中心点的不同会显著影响到余弦距离的度量。在现有的方法中，在测试阶段都假设中心点位于原点，忽略了中心点的最优化选取。

发明内容

本发明提供了一种改善上述问题的方案，提供一种性能更好、鲁棒性更强的应用于人脸识别的经改进度量后处理的LDA子空间学习方法。

本发明的技术方案是提供一种基于LDA子空间学习的人脸识别方法，其特征在于：其包括以下步骤：

1)获取人脸图像，并将所述人脸图像进行转正、滤波、规定化分辩率等预处理；

2)计算1)中所述人脸图像，得到其梯度多尺度局部相位量化GMLPQ特征集；

3)应用Adaboost选择器对2)中所述梯度多尺度局部相位量化GMLPQ特征集进行筛选，筛选出其中具有鉴别能力的特征组成候选特征子集；

4)应用LDA子空间分析器对3)中所述候选特征子集进行分析，得到一个低维特征向量作为其人脸特征模板；

5)将4)中所述人脸特征模板与预建的人脸特征模板库进行匹配，获取所述人脸图像中人的身份信息。

优选的，步骤2)中所述梯度多尺度局部相位量化GMLPQ特征集是基于所述人脸图像的水平梯度图像和垂直梯度图像而提取的多尺度多频域的LPQ特征的集合。

优选的，步骤4)中所述LDA子空间分析器基于优选中心点的余弦距离度量训练而成，其余弦距离计算函数如下：

$d_{\cos }=\frac{{(X-O_i)}^T(Y-O_i)}{\left|\right|X-O_i\left|\right|\left|\right|Y-O_i\left|\right|}$

其中Oi是第i类样本对应的中心点坐标。

优选的，所述优选中心点是通过对目标函数应用梯度下降法或梯度共轭法进行求解而得到。

本发明提出经过学习得到优选的中心点作为余弦距离的中心点，增强了通过计算样本距离来度量样本相似度的有效性，提高了子空间方法的分类性能。本方法所述人脸识别技术比现有其它人脸识别技术具有更强的环境适应性，在图像模糊(失焦、运动等)、低分辩率、各种光照条件(红外、可见光)下具有较好的识别率和误识率，并且计算速度快，特别适合于嵌入式产品，可大规模推广应用。

附图说明

图1是本发明的算法原理框图。

具体实施方式

下面对本发明的具体实施方式作进一步详细的描述。

如图1所示，本发明所述应用于人脸识别的改进度量后处理的LDA子空间学习方法步骤是：先通过数码相机、摄像头拍照等方式，获取人脸图像作为研究对象，然后依次进行人脸图像预处理、提取GMLPQ特征集、Adaboost选择器、LDA子空间分析器，最后进行人脸特征比对。

以下结合附图1所示的算法原理图，详细说明本方法的具体实施方式。

①将人脸图像进行转正、滤波、规定化分辩率等预处理。

②计算①中所述人脸图像的梯度多尺度局部相位量化(GMLPQ)特征集。GMLPQ特征提取原理：

GMLPQ特征就是基于梯度图像提取MLPQ特征，梯度图像包括水平梯度图像和垂直梯度图像。而MLPQ特征就是多尺度多频域的LPQ融合特征，MLPQ特征提取原理：

对于图像来说，假设图像受到一定噪声的模糊影响，在频域上可以表示为：

G＝F·H

其中F是原来图像的傅立叶变换，G是模糊后的图像的傅立叶变换，H是模糊函数(点扩散函数的傅立叶变换)。他们的幅度和相位分量分别满足：

|G|＝|F|·|H|

∠G＝∠F+∠H

假设点扩散函数在空域中是中心对称的，则H是处在实数域的，也就是在频域中H的相位为0或者pi。又假设在低频区域，H的值为正，所以F和G的具有共同的相位。LPQ就是基于这个原理提出的，它对图像模糊具有比较好的鲁棒性。MLPQ是对LPQ的一个扩展，采用多个不同的尺度来提取不同频域下的LPQ特征，从而能够更好地刻画人脸。LPQ提取流程：

(1)将图像分成多个重叠的一定大小的小块。

(2)在每个小块中分别进行短时傅立叶变换。

提取某些特定频率下的相位信息，对其进行编码，得到LPQ特征。原始的LPQ特征提取方法计算量较大，中间存在着比较多的重复计算，难以达到特征的实时提取。本发明提出一种基于积分图的快速LPQ特征提取方法。LPQ特征编码：

(1)每个相位象限用2个bit来进行编码，例如00表示第一象限，01表示第二象限，10表示第三象限，11表示第四象限。将4个不同频域的相位编码连接在一起，得到8个bit的二进制串，然后转换成十进制的0-255的编码。

(2)原始的LPQ编码维数较高，且易受到噪声的影响。采用典型模式的方法，从样本中统计出出现频率最高的K个LPQ码，将剩下的码全部合并到一个码中，从而减少了LPQ特征码维度，加快了计算速度，同时保证了LPQ码的鲁棒性。

③应用Adaboost选择器筛选②中所述梯度多尺度局部相位量化(GMLPQ)特征集中具有鉴别能力的特征组成候选特征子集。

本方法所述算法采用Adaboost训练特征选择器。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，将注意力放在关键的训练数据上面。

Adaboost训练过程如下：

1.先通过对N个训练样本的学习得到第一个弱分类器；

2.将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；

3.将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；

4.最终经过提升得到强分类器。

④应用LDA子空间分析器对③中所述候选特征子集进行分析，得到一个低维特征向量作为人脸特征模板。

所述LDA子空间由多个子空间线性辨别分析器组合而成，包括：原始LDA、增强LDA(E-FLDA)、直接LDA(D-LDA)、零空间LDA(N-LDA)、边缘LDA(MFA)。在每种方法的过程中，都随机选择训练样本，使得不同方法具有更多的互补性，提高模型泛化能力。

LDA子空间分析方法简述。

LDA子空间分析方法就是线性鉴别分析方法，目标是从高维特征空间里提取出具有鉴别能力的低维特征，这些特征有助于将属于同一个类的样本更加聚集在一起，属于不同类的样本更加分开。数学描述方式如LDA目标函数定义，就是找到一个投影矩阵W，使得类内散度矩阵Sw与类间散度矩阵Sb的比值最大化。

类内散度矩阵Sw定义：

$S_w=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_k}{\mathrm{\Σ}}}(X_{\mathrm{ij}}-m_i){(X_{\mathrm{ij}}-m_i)}^T$

类间散度矩阵Sb定义：

$S_b=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}(m_i-m_j){(m_i-m_j)}^T$

LDA目标函数定义：

$J=\frac{w^T{S}_{b}w}{w^T{S}_{w}w}$

基于LDA子空间的人脸识别方法是一个多类学习问题，一个人就是一个类，同一个人的人脸样本属于同一个类，不同人的人脸样本属于不同类。LDA子空间人脸识别方法就是学习得到一个低维子空间，使得人脸特征点从高维特征空间投影到该低维子空间中，属于同一个人的人脸特征点更加聚集，属于不同人的人脸特征点更加分开。对于多类学习问题，如何客观的有效的度量样本间的相似程度(属于同一个类别的可信度)，将对学习得到的分类器的分类性能起到关键的作用，不同的距离度量方法对识别率有着明显的差异。在许多图像识别领域，如人脸识别中，学者们发现用余弦距离通常比欧式距离或者L1距离具有更高的识别率。本发明指出余弦距离还有进一步改进的空间，提出了从传统的子空间学习结果中改进距离度量的后处理学习算法，提高通过计算样本距离来度量样本相似度的可信度和有效性。

本发明主要是改进余弦距离度量方法。对于余弦距离来说，坐标中心点的不同会显著影响到余弦距离的度量。在现有的方法中，在测试阶段都假设中心点位于原点，忽略了中心点的最优化选取。本发明提出经过学习得到优选的中心点作为余弦距离的中心点，增强了通过计算样本距离来度量样本相似度的有效性，确保了同类样本更加聚集，不同类样本更加分开，提高了子空间方法的分类性能，有效降低人脸误识率。

假设Oi是当前选择的中心点，改进的优选中心点的余弦距离计算公式如下：

$d_{\cos }=\frac{{(X-O_i)}^T(Y-O_i)}{\left|\right|X-O_i\left|\right|\left|\right|Y-O_i\left|\right|}$

如公式所示，可以任意选择Oi作为余弦距离计算的中心点，当然包括选择类中心点作为余弦距离的中心点。因此，要找到一个最理想的Oi作为余弦距离的中心点，提高子空间方法的分类性能。

子空间方法的分类性能由目标函数进行评估，因此需要通过目标函数来学习到最佳的Oi中心点。假设有c类物体，每一类的样本数为Nk，总样本数为N，第k类的第i个样本记为则子空间优化目标函数为：

$J$

$=\underset{k=1}{\overset{C}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N_k}{\mathrm{\Σ}}}\frac{{(x_i^k-O^k)}^T(X_j^k-O^k)}{\sqrt{{(X_i^k-O^k)}^T(X_i^k-O^k){(X_j^k-O^k)}^T(X_j^k-O^k)}}$

$-\underset{m=1}{\overset{C}{\mathrm{\Σ}}}\underset{n=m+1}{\overset{C}{\mathrm{\Σ}}}\underset{i\∈C_m}{\mathrm{\Σ}}\underset{j\∈C_n}{\mathrm{\Σ}}(\frac{{(X_i^m-O^m)}^T(X_j^n-O^m)}{\sqrt{{(X_i^m-O^m)}^T(X_i^m-O^m){(X_j^n-O^m)}^T(X_j^n-O^m)}}$

$+\frac{{(X_i^m-O^n)}^T(X_j^n-O^n)}{\sqrt{{(X_i^m-O^n)}^T(X_i^m-O^n){(X_j^n-O^n)}^T(X_j^n-O^n)}})$

设

$g_{\mathrm{ij}}^{\mathrm{mnk}}=\stackrel{f_{\mathrm{ij}}^{\mathrm{mnk}}={(X_i^m-O^k)}^T(X_j^n-O^k),}{\sqrt{{(X_i^m-O^k)}^T(X_i^m-O^k){(X_j^n-O^k)}^T(X_j^n-O^k)}}$

$J_1=\underset{k=1}{\overset{C}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N_k}{\mathrm{\Σ}}}\frac{f_{\mathrm{ij}}^{\mathrm{kkk}}}{g_{\mathrm{ij}}^{\mathrm{kkk}}}$

$J_2=\underset{m=1}{\overset{C}{\mathrm{\Σ}}}\underset{n=m+1}{\overset{C}{\mathrm{\Σ}}}\underset{i\∈C_m}{\mathrm{\Σ}}\underset{j\∈C_n}{\mathrm{\Σ}}\frac{f_{\mathrm{ij}}^{\mathrm{mnm}}}{g_{\mathrm{ij}}^{\mathrm{mnm}}}$

$J_3=\underset{m=1}{\overset{C}{\mathrm{\Σ}}}\underset{n=m+1}{\overset{C}{\mathrm{\Σ}}}\underset{i\∈C_m}{\mathrm{\Σ}}\underset{j\∈C_n}{\mathrm{\Σ}}\frac{f_{\mathrm{ij}}^{\mathrm{mnn}}}{g_{\mathrm{ij}}^{\mathrm{mnn}}}$

则

J＝J₁-J₂-J₃

应用梯度下降法或共轭梯度法等方法优化改进的LDA目标函数，对各个目标函数J1、J2、J3求偏导。改变中心点Oi，使得目标函数J向着梯度降低最快的方向走，在确定全局最佳的目标函数时获取最佳的中心点O作为余弦距离的中心点。

$\frac{{\∂J}_1}{{\∂O}^k}=\underset{k=1}{\overset{C}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N_k}{\mathrm{\Σ}}}\frac{{\left(f_{\mathrm{ij}}^{\mathrm{kkk}}\right)}^{\′}\left(g_{\mathrm{ij}}^{\mathrm{kkk}}\right)-\left(f_{\mathrm{ij}}^{\mathrm{kkk}}\right){\left(g_{\mathrm{ij}}^{\mathrm{kkk}}\right)}^{\′}}{{\left(g_{\mathrm{ij}}^{\mathrm{kkk}}\right)}^2}$

$\frac{{\∂J}_2}{{\∂O}^k}=\underset{n=k+1}{\overset{C}{\mathrm{\Σ}}}\underset{i\∈C_k}{\mathrm{\Σ}}\underset{j\∈C_n}{\mathrm{\Σ}}\frac{{\left(f_{\mathrm{ij}}^{\mathrm{knk}}\right)}^{\′}\left(g_{\mathrm{ij}}^{\mathrm{knk}}\right)-\left(f_{\mathrm{ij}}^{\mathrm{knk}}\right){\left(g_{\mathrm{ij}}^{\mathrm{knk}}\right)}^{\′}}{{\left(g_{\mathrm{ij}}^{\mathrm{knk}}\right)}^2}$

$\frac{{\∂J}_3}{{\∂O}^k}=\underset{m=1}{\overset{k-1}{\mathrm{\Σ}}}\underset{i\∈C_m}{\mathrm{\Σ}}\underset{j\∈C_k}{\mathrm{\Σ}}\frac{{\left(f_{\mathrm{ij}}^{\mathrm{mkk}}\right)}^{\′}\left(g_{\mathrm{ij}}^{\mathrm{mkk}}\right)-\left(f_{\mathrm{ij}}^{\mathrm{mkk}}\right){\left(g_{\mathrm{ij}}^{\mathrm{mkk}}\right)}^{\′}}{{\left(g_{\mathrm{ij}}^{\mathrm{mkk}}\right)}^2}$

$g^{\′}=\frac{1}{2g}((X-O){(X-O)}^T(X-O)$

$+(X-O){(X-O)}^T(X-O)$

$+(X-O){(X-O)}^T(X-O)+(X$

$-O)(X-O)^T(X-O))$

${\left(f_{\mathrm{ij}}^{\mathrm{kkk}}\right)}^{\′}=-(X_j^k-O^k)-(X_i^k-O^k)$

${\left(f_{\mathrm{ij}}^{\mathrm{knk}}\right)}^{\′}=-(X_j^n-O^k)-(X_i^k-O^k)$

${\left(f_{\mathrm{ij}}^{\mathrm{knk}}\right)}^{\′}=-(X_j^k-O^k)-(X_i^m-O^k)$

${\left(g_{\mathrm{ij}}^{\mathrm{kkk}}\right)}^{\′}=\frac{1}{{2g}_{\mathrm{ij}}^{\mathrm{kkk}}}((X_i^k-O^k){(X_j^k-O^k)}^T(X_j^k$

$-O^k)$

$+(X_i^k-O^k){(X_j^k-O^k)}^T(X_j^k-O^k)$

$+(X_j^k-O^k){(X_i^k-O^k)}^T(X_i^k-O^k)$

$+(X_j^k-O^k)(X_i^k-O^k)^T(X_i^k$

$-O^k\left)\right)$

${\left(g_{\mathrm{ij}}^{\mathrm{knk}}\right)}^{\′}=\frac{1}{{2g}_{\mathrm{ij}}^{\mathrm{knk}}}((X_i^k-O^k){(X_j^n-O^k)}^T(X_j^n$

$-O^k)$

$+(X_i^k-O^k){(X_j^n-O^k)}^T(X_j^n-O^k)$

$+(X_j^n-O^k){(X_i^k-O^k)}^T(X_i^k-O^k)$

$+(X_j^n-O^k)(X_i^k-O^k)^T(X_i^k$

$-O^k\left)\right)$

${\left(g_{\mathrm{ij}}^{\mathrm{mkk}}\right)}^{\′}=\frac{1}{{2g}_{\mathrm{ij}}^{\mathrm{mkk}}}((X_i^m-O^k){(X_j^k-O^k)}^T(X_j^k$

$-O^k)$

$+(X_i^m-O^k){(X_j^k-O^k)}^T(X_j^k-O^k)$

$+(X_j^k-O^k){(X_i^m-O^k)}^T(X_i^m-O^k)$

$+(X_j^k-O^k)(X_i^m-O^k)^T(X_i^m$

$-O^k\left)\right)$

测试方法：对于C类样本，设Y是输入样本，属于第K类的注册集合样本X，Y和X的相似度距离计算如下：

d_cos＝(Y-O^k)^T(X-O^k)

⑤将④中所述人脸特征模板与预建人脸特征模板库进行匹配，获取识别人身份信息。

以上详细说明了本发明所述应用于人脸识别的改进度量后处理的LDA子空间学习方法的执行过程及其实现细节。

以上实施例仅为本发明其中的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种基于LDA子空间学习的人脸识别方法，其特征在于：其包括以下步骤：

1)获取人脸图像，并将所述人脸图像进行转正、滤波、规定化分辩率等预处理；

2)计算1)中所述人脸图像，得到其梯度多尺度局部相位量化GMLPQ特征集；

3)应用Adaboost选择器对2)中所述梯度多尺度局部相位量化GMLPQ特征集进行筛选，筛选出其中具有鉴别能力的特征组成候选特征子集；

4)应用LDA子空间分析器对3)中所述候选特征子集进行分析，得到一个低维特征向量作为其人脸特征模板；

5)将4)中所述人脸特征模板与预建的人脸特征模板库进行匹配，获取所述人脸图像中人的身份信息。

2.根据权利要求1所述的一种基于LDA子空间学***梯度图像和垂直梯度图像而提取的多尺度多频域的LPQ特征的集合。

3.根据权利要求1所述的一种基于LDA子空间学习的人脸识别方法，其特征在于：步骤4)中所述LDA子空间分析器基于优选中心点的余弦距离度量训练而成，其余弦距离计算函数如下：

$d_{\cos }=\frac{{(X-O_i)}^T(Y-O_i)}{\left|\right|X-O_i\left|\right|\left|\right|Y-O_i\left|\right|}$

其中Oi是第i类样本对应的中心点坐标。

4.根据权利要求3所述的一种基于LDA子空间学习的人脸识别方法，其特征在于：所述优选中心点是通过对目标函数应用梯度下降法或梯度共轭法进行求解而得到。

Images