CN104616000A - 一种人脸识别方法和装置 - Google Patents

Abstract

本发明提供一种人脸识别方法和装置。该方法在原有的小样本有监督拉普拉斯判别分析的基础上进行改进，在最小化类内散度的目标函数中融入了最大化类间散度，使用拉普拉斯判别分析，通过实现最优目标函数求得投影矩阵，对高维人脸数据进行降维。在用此种方法降维后，对人脸图像识别率比原SLDA方法高，能更好地进行人脸识别。

Description

一种人脸识别方法和装置

技术领域

本发明涉及人脸识别领域，更具体的说是涉及一种人脸识别方法和装置。

背景技术

人脸识别已经发展成为计算机视觉中非常流行的一个研究课题，同时也是在图像分析领域最为成功的一个应用。人脸数据往往是高维数据，高维数据包含着丰富的信息，但在很多情况下，有用的信息仅需高维数据中的一部分来表示。我们希望将少量有用的特征取出，同时尽可能地减少数据失真度。此类数据的降维对可视化内在结构和模式分类起着至关重要的作用。近年来，计算机视觉研究中对感知观测的流形结构越来越多，如主成分分析是用于当结构被线性的或几乎线性地嵌入在环境空间中。当类别信息可用时，线性判别分析可以被用来找到一个最佳判别的线性子空间。与此同时，一些非线性技术也已经被提出，例如拉普拉斯特征映射，有监督拉普拉斯判别分析，局部线性嵌等。这些非线性方法在一些实际应用中表现出不俗的效果。

当前提出的小样本有监督拉普拉斯判别分析(Supervised LaplacianDiscriminant Analysis，SLDA)，适用于小样本情况，但是由于该方法中没有明确最大化类间散度，因而导致在投影空间的可分性不够好，人脸识别率不高。

发明内容

有鉴于此，本发明提供一种人脸识别方法和装置，以提高人脸识别率，能更好地进行人脸识别。

为实现上述目的，本发明提供如下技术方案：

一种人脸识别方法，包括：

获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进行第一次降维；

采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度；

利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子空间的测试数据样本；

对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。

优选的，所述对所述训练数据样本和所述测试数据样本进行第一次降维，包括：

对所述训练数据样本进行PCA降维，得到第一投影矩阵P₁。

优选的，所述采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度，包括：

A：计算预处理降维后数据的相似度矩阵S和差异性矩阵B；

其中，

其中和分别表示样本和的同类近邻集合，且与类别相同；和分别表示样本和的异类近邻集合，且与类别不相同；

B：计算局部拉普拉斯散度矩阵S_L，非局部拉普拉斯散度矩阵S_N，以及它们的和S_T与差S_D：

其中L＝S'-S，S'是对角矩阵，S′_ii＝∑_jS_ij；

其中N＝B'-B，B'是对角矩阵，B′_ii＝∑_jB_ij；

S_T＝S_L+S_N，且S_D＝S_L-S_N；

C:对矩阵S_T进行特征分解，取其非零特征值λ_i和非零特征值对应的向量u_i，分别组成矩阵Λ和U，其中Λ是对角矩阵且Λ_ii＝λ_i，U的第i列是u_i，令 $P_2=U{\mathrm{\Λ}}^{-\frac{1}{2}};$

D：将S_D在P₂上投影，得到对S'_D进行特征分解，取最小的r个特征值对应的特征向量，组成一个矩阵P₃；

E：输出最终投影矩阵：P＝P₁P₂P₃。

一种人脸识别装置，包括：

数据采集和预处理模块，用于获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进行第一次降维；

投影矩阵输出模块，用于采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度；

测试样本降维模块，用于利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子空间的测试数据样本；

分类模块，用于对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。

优选的，所述数据采集和预处理模块包括：

数据采集子模块，用于获取人脸训练数据样本和测试数据样本；

降维子模块，用于对所述训练数据样本进行PCA降维，得到第一投影矩阵P₁，并对测试数据进行第一次降维。

优选的，所述投影矩阵输出模块包括：

第一计算单元，计算预处理降维后数据的相似度矩阵S和差异性矩阵B；

其中，

其中和分别表示样本和的同类近邻集合，且与类别相同；和分别表示样本和的异类近邻集合，且与类别不相同；

第二计算单元，用于计算局部拉普拉斯散度矩阵S_L，非局部拉普拉斯散度矩阵S_N，以及它们的和S_T与差S_D：

其中L＝S'-S，S'是对角矩阵，S′_ii＝∑_jS_ij；

其中N＝B'-B，B'是对角矩阵，B′_ii＝∑_jB_ij；

S_T＝S_L+S_N，且S_D＝S_L-S_N；

第一特征提取单元，用于对矩阵S_T进行特征分解，取其非零特征值λ_i和非零特征值对应的向量u_i，分别组成矩阵Λ和U，其中Λ是对角矩阵且Λ_ii＝λ_i，U的第i列是uⁱ，令

第二特征提取单元，用于将S_D在P₂上投影，得到对S'_D进行特征分解，取最小的r个特征值对应的特征向量，组成一个矩阵P₃；

输出单元，用于输出最终投影矩阵：P＝P₁P₂P₃。

经由上述的技术方案可知，与现有技术相比，本发明提供一种人脸识别方法和装置。该方法在原有的小样本有监督拉普拉斯判别分析的基础上进行改进，在最小化类内散度的目标函数中融入了最大化类间散度，使用拉普拉斯判别分析，通过实现最优目标函数求得投影矩阵，对高维人脸数据进行降维。在用此种方法降维后，对人脸图像识别率比原SLDA方法高，能更好地进行人脸识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1示出了本发明一种人脸识别方法的一个实施例的流程示意图；

图2示出了本发明和SLDA方法在不同维数下的性能对比图；

图3示出了本发明一种人脸识别装置的一个实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1示出了本发明一种人脸识别方法的一个实施例的流程示意图。

101：获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进行第一次降维。

其中，在对人脸训练数据样本进行降维时，包括以下过程：

1)输入已知人脸训练数据集合其中x_i∈R^D是第i个人脸数据，y_i∈{1,2,L,C}是x_i的标签，表示x_i是第几个人。C是总的人脸类别数，l是训练图像的个数，D是人脸数据的维数。输入降至维数r。

2)对训练集合中的样本进行PCA降维，得到第一个投影矩阵P₁，将样本降到d维(r<d<D)，原训练样本的类别标记保持不变。降维后的图像数据为 ${\{{\stackrel{\&OverBar;}{x}}_i,y_i\}}_{i=1}^N,{\stackrel{\&OverBar;}{x}}_i\&Element;R^d,y_i=\{\mathrm{1,2},L,C\}.$

102：对降维后的所述训练数据样本进行拉普拉斯判别分析，以在最小化类内散度的目标函数中融入最大化类间散度，输出最终投影矩阵。

具体包括：

A：计算预处理降维后数据的相似度矩阵S和差异性矩阵B；

其中，

其中和分别表示样本和的同类近邻集合，且与类别相同；和分别表示样本和的异类近邻集合，且与类别不相同；

B：计算局部拉普拉斯散度矩阵S_L，非局部拉普拉斯散度矩阵S_N，以及它们的和S_T与差S_D：

其中L＝S'-S，S'是对角矩阵，S′_ii＝∑_jS_ij；

其中N＝B'-B，B'是对角矩阵，B′_ii＝∑_jB_ij；

S_T＝S_L+S_N，且S_D＝S_L-S_N；

C:对矩阵S_T进行特征分解，取其非零特征值λ_i和非零特征值对应的向量u_i，分别组成矩阵Λ和U，其中Λ是对角矩阵且Λ_ii＝λ_i，U的第i列是u_i，令 $P_2=U{\mathrm{\&Lambda;}}^{-\frac{1}{2}};$

D：将S_D在P₂上投影，得到对S'_D进行特征分解，取最小的r个特征值对应的特征向量，组成一个矩阵P₃；

E：输出最终投影矩阵：P＝P₁P₂P₃。

103：利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子空间的测试数据样本。

对测试样本数据x，令v＝P^Tx，则获得子空间的测试样本v。

104：对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。

对测试数据样本x，利用最近邻分类器，对其在子空间中进行分类。也就是说，在子空间的训练样本集中，找到和子空间测试样本v距离最近的样本，然后再把该样本的类别赋予测试样本。这样就完成对x的分类。

比如，由于待测样本有60个，我们需要重复分类过程60次。将本发明与SLDA算法进行了比较。设d为90，子空间的大小r可以取1到89中的任意整数。为了确定最好的分类效果，把1到89所有值都取一遍，得到图2所示的效果。把两种方法的最大识别率列在表1中。通过实验结果我们可以看出从图可以看出用本文中提出的方法得到的人脸识别率在降到较低维度时比SLDA更精确，最大识别率也更高。

表1.本发明和LSDA方法的对比

与现有技术相比，本发明提供一种小样本有监督拉普拉斯判别分析的人脸识别方法。该方法在原有的小样本有监督拉普拉斯判别分析的基础上进行改进，在最小化类内散度的目标函数中融入了最大化类间散度，使用拉普拉斯判别分析，通过实现最优目标函数求得投影矩阵，对高维人脸数据进行降维。在用此种方法降维后，对人脸图像识别率比原SLDA方法高，能更好地进行人脸识别。

参见图3示出了本发明一种人脸识别装置的一个实施例的结构示意图。

由图3可知，在本发明中该人脸识别装置包括：

数据采集和预处理模块1，用于获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进行第一次降维。

其中，在人脸训练数据集合{x_i,y_i}_i ^l _＝1，其中x_i∈R^D是第i个人脸数据，y_i∈{1,2,L,C}是x_i的标签，表示x_i是第几个人。C是总的人脸类别数，l是训练图像的个数，D是人脸数据的维数。

输入降至维数r，先对训练集合中的样本进行PCA降维，得到第一个投影矩阵P₁，将样本降到d维(r<d<D)，原训练样本的类别标记保持不变。降维后的图像数据为 ${\{{\stackrel{\&OverBar;}{x}}_i,y_i\}}_{i=1}^N,{\stackrel{\&OverBar;}{x}}_i\&Element;R^d,y_i=\{\mathrm{1,2},L,C\}.$

投影矩阵输出模块2，用于采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度。

需要说明的是，在投影矩阵输出模块2具体包括：第一计算单元、第二计算单元、第一特征提取单元、第二特征提取单元和输出单元。

上述各个单元的具体实现的作用如下：

第一计算单元，用于计算预处理降维后数据的相似度矩阵S和差异性矩阵B；

其中，

其中和分别表示样本和的同类近邻集合，且与类别相同；和分别表示样本和的异类近邻集合，且与类别不相同；

第二计算单元，用于计算局部拉普拉斯散度矩阵S_L，非局部拉普拉斯散度矩阵S_N，以及它们的和S_T与差S_D：

其中L＝S'-S，S'是对角矩阵，S′_ii＝∑_jS_ij；

其中N＝B'-B，B'是对角矩阵，B′_ii＝∑_jB_ij；

S_T＝S_L+S_N，且S_D＝S_L-S_N；

第一特征提取单元，用于对矩阵S_T进行特征分解，取其非零特征值λ_i和非零特征值对应的向量u_i，分别组成矩阵Λ和U，其中Λ是对角矩阵且Λ_ii＝λ_i，U的第i列是uⁱ，令

第二特征提取单元，用于将S_D在P₂上投影，得到对S'_D进行特征分解，取最小的r个特征值对应的特征向量，组成一个矩阵P₃；

输出单元，用于输出最终投影矩阵：P＝P₁P₂P₃。

测试样本降维模块3，用于利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子空间的测试数据样本；

分类模块4，用于对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种人脸识别方法，其特征在于，包括：

获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进行第一次降维；

采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度；

利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子空间的测试数据样本；

对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。

2.根据权利要求1所述的方法，其特征在于，对所述训练数据样本和所述测试数据样本进行第一次降维，包括：

对所述训练数据样本进行PCA降维，得到第一投影矩阵P₁。

3.根据权利要求2所述的方法，其特征在于，所述采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度，包括：

A：计算预处理降维后数据的相似度矩阵S和差异性矩阵B；

其中，

其中和分别表示样本和的同类近邻集合，且与类别相同；和分别表示样本和的异类近邻集合，且与类别不相同；

B：计算局部拉普拉斯散度矩阵S_L，非局部拉普拉斯散度矩阵S_N，以及它们的和S_T与差S_D：

其中L＝S'-S，S'是对角矩阵，S′_ii＝∑_jS_ij；

其中N＝B'-B，B'是对角矩阵，B′_ii＝∑_jB_ij；

S_T＝S_L+S_N，且S_D＝S_L-S_N；

C:对矩阵S_T进行特征分解，取其非零特征值λ_i和非零特征值对应的向量u_i，分别组成矩阵Λ和U，其中Λ是对角矩阵且Λ_ii＝λ_i，U的第i列是u_i，令

D：将S_D在P₂上投影，得到对S'_D进行特征分解，取最小的r个特征值对应的特征向量，组成一个矩阵P₃；

E：输出最终投影矩阵：P＝P₁P₂P₃。

4.一种人脸识别装置，其特征在于，包括：

数据采集和预处理模块，用于获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进行第一次降维；

投影矩阵输出模块，用于采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类间散度和最大化类间散度；

测试样本降维模块，用于利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子空间的测试数据样本；

分类模块，用于对所述子空间的测试数据样本，利用最近邻分类器进行分类识别。

5.根据权利要求4所述的装置，其特征在于，所述数据采集和预处理模块包括：

数据采集子模块，用于获取人脸训练数据样本和测试数据样本；

降维子模块，用于对所述训练数据样本进行PCA降维，得到第一投影矩阵P₁，并对测试数据进行第一次降维。

6.根据权利要求5所述的装置，其特征在于，所述投影矩阵输出模块包括：

第一计算单元，用于计算预处理降维后数据的相似度矩阵S和差异性矩阵B；

其中，

其中和分别表示样本和的同类近邻集合，且与类别相同；和分别表示样本和的异类近邻集合，且与类别不相同；

第二计算单元，用于计算局部拉普拉斯散度矩阵S_L，非局部拉普拉斯散度矩阵S_N，以及它们的和S_T与差S_D：

其中L＝S'-S，S'是对角矩阵，S′_ii＝∑_jS_ij；

其中N＝B'-B，B'是对角矩阵，B′_ii＝∑_jB_ij；

S_T＝S_L+S_N，且S_D＝S_L-S_N；

第一特征提取单元，用于对矩阵S_T进行特征分解，取其非零特征值λ_i和非零特征值对应的向量u_i，分别组成矩阵Λ和U，其中Λ是对角矩阵且Λ_ii＝λ_i，U的第i列是u_i，令

第二特征提取单元，用于将S_D在P₂上投影，得到对S'_D进行特征分解，取最小的r个特征值对应的特征向量，组成一个矩阵P₃；

输出单元，用于输出最终投影矩阵：P＝P₁P₂P₃。