專利名稱：基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的方法，具體地說，涉及一種基于監(jiān)督等 度規(guī)投影的人臉識(shí)別方法。(二) 背景技術(shù)近年來，人臉識(shí)別在模式識(shí)別領(lǐng)域受到廣泛的關(guān)注，其中子空間分析是人臉 識(shí)別領(lǐng)域的重要方法，子空間分析法具有描述性強(qiáng)、計(jì)算代價(jià)小、易實(shí)現(xiàn)及可分 性好等特點(diǎn)，因此成為人臉識(shí)別領(lǐng)域的研究熱點(diǎn)，其中最廣泛應(yīng)用的兩個(gè)算法是 PCA(Principal Components Analysis ， PCA)禾口LDA(Linear Discriminant Analysis ， LDA)。 PCA是一種非監(jiān)督學(xué)習(xí)方法，目標(biāo)是尋找在最小平方意義下給出數(shù)據(jù)最 優(yōu)表征的子空間。LDA是一種監(jiān)督學(xué)習(xí)方法，通過最大化類間散度和類內(nèi)散度比 率來尋找最佳線性判別空間，得到最佳判別能力特征。因此，LDA所生成的子空 間實(shí)現(xiàn)了數(shù)據(jù)可分，比PCA更適合分類任務(wù)。然而，目前有研究表明人臉閣像很有可能存在于非線性子流形中，基于PCA 和LDA的全局算法是基于歐式空間的，因此它們所提取的特征對(duì)于分類問題未必 最優(yōu)。自2000年以來，出現(xiàn)了很多非線性流形算法，比如局部線性嵌入(Locally Linear Embedding, LLE)，等距映射(Isometric map, ISOMAP)和拉普拉斯映射 (LaplacianEigenmap,LE)等，它們?cè)跀?shù)據(jù)的可視化方面都比較出色。但當(dāng)前此類 非線性流形學(xué)習(xí)算法存在一大缺點(diǎn)就是對(duì)新數(shù)據(jù)處理困難，即只在訓(xùn)練數(shù)據(jù)上進(jìn) 行了處理，測(cè)試數(shù)據(jù)點(diǎn)在做識(shí)別時(shí)計(jì)算復(fù)雜度較高。這一缺陷導(dǎo)致非線性算法在 實(shí)際應(yīng)用中具有較大的局限性。為解決該問題，有學(xué)者提出了上述非線性流形學(xué) 習(xí)算法的線性化算法，如局部保局投影(Locality Preserving Projection, LPP)和鄰域 保持嵌入(Neighborhood Preserving Embedding, NPE)，作為線性算法，這幾種算 法能直接獲得新數(shù)據(jù)點(diǎn)的低維映射結(jié)果，同時(shí)能夠有效描述數(shù)據(jù)的流形結(jié)構(gòu)，在 人臉識(shí)別等模式識(shí)別領(lǐng)域具有較強(qiáng)的實(shí)用性，但是由于此類算法均是非監(jiān)督的算 法，在做模式分類時(shí)，具有-.定局限性。此外，流形學(xué)習(xí)算法不能有效地消除圖 像中如高階相關(guān)等冗余信息，影響了算法的識(shí)別率。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種能夠提取樣本新的特征來消除圖像高階冗余信 息，不僅能保持樣本的流形結(jié)構(gòu)，而且能直接得到高維數(shù)據(jù)到低維空間的投影矩 陣，大大減小計(jì)算成本，還能增強(qiáng)分類判別能力的基于監(jiān)督等度規(guī)投影的人臉識(shí) 別方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的其實(shí)現(xiàn)步驟如下 (l)人臉樣本訓(xùn)練過程① 首先對(duì)人臉訓(xùn)練圖像進(jìn)行預(yù)處理，獲取高維空間中原始訓(xùn)練樣本矩陣I;② 用Gabor小波對(duì)圖像進(jìn)行濾波，得到新的圖像特征。③ 引入訓(xùn)練樣本的類別信息，采用距離公式計(jì)算訓(xùn)練樣本的鄰接矩陣，得到訓(xùn)練樣本的權(quán)值距離所述距離公式為在得到樣本點(diǎn)權(quán)值距離矩陣后，應(yīng)用A近鄰或S鄰域算法得到訓(xùn)練樣本的鄰 接矩陣^^;其中^x,，;c》為樣本間的歐式距離，-為經(jīng)驗(yàn)參數(shù)，C,表示樣本X,所屬的類別；④ 由訓(xùn)練樣本鄰接矩陣Z^計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣。，用兩點(diǎn)間最短路徑近似兩點(diǎn)間測(cè)地線距離；⑤ 計(jì)算投影轉(zhuǎn)換矩陣，通過保持映射前后人臉訓(xùn)練樣本測(cè)地線距離給出目標(biāo) 函數(shù)，通過求解目標(biāo)函數(shù)求取描述人臉訓(xùn)練樣本數(shù)據(jù)的低維投影矩陣； 通過投影轉(zhuǎn)換矩陣^計(jì)算訓(xùn)練樣本在低維空間的投影，令y = [乂，>v .:M為訓(xùn)練樣本的低維投影'貝化=^義；(2)人臉樣本測(cè)試過程① 對(duì)人臉測(cè)試圖像進(jìn)行預(yù)處理，獲取高維空間中原始測(cè)試樣本x ;② 計(jì)算測(cè)試樣本在低維空間的投影，通過投影轉(zhuǎn)換矩陣^，測(cè)試樣本^的低 維投影為>> =#;^6③采用最近鄰算法判斷測(cè)試樣本的類別，在低維空間中對(duì)》.與7采用最近鄰算法，則與y最近的訓(xùn)練樣本所對(duì)應(yīng)的類別即為測(cè)試樣本類別。 本發(fā)明還可以包括1、人臉樣本訓(xùn)練過程中所述預(yù)處理是將每幅人臉訓(xùn)練圖像進(jìn)行裁剪,將其分 辨率設(shè)置為64 X64 ，然后進(jìn)行下采樣，以達(dá)到32 X32的分辨率。最后將每幅 圖像都進(jìn)行均值為0 、方差為l的規(guī)格化。2、 所述Gabor小波對(duì)圖像進(jìn)行濾波，得到新的圖像特征，處理過程是，將原 始訓(xùn)練圖像/Oc，力與Gabor小波濾波器進(jìn)行巻積計(jì)算，二維Gabor小波濾波器定義為 0"v =fc^Le(-ik,fiMV2力(,,_^v2) (2)、v = 、, (3)其中，w,v表示Gabor核的方向和尺度，z-(x,力為坐標(biāo)值，||.||表示向量模。&=^ ax/X， A=^V8。 、ax為最高采樣頻率，y;為頻率域中的采樣步長(zhǎng)。3、 所述Gabor小波對(duì)圖像進(jìn)行濾波，得到新的圖像特征是將圖像進(jìn)行Gabor 小波濾波，若x,'為濾波后的新特征，將Jc,'堆疊為一Af維長(zhǎng)向量，即構(gòu)成一個(gè)原始訓(xùn)練樣本，所有訓(xùn)練圖像構(gòu)成一個(gè)原始訓(xùn)練樣本矩陣X = [;cp:c2 ...xje ，W為訓(xùn)練樣本個(gè)數(shù)，矩陣Z的每一列代表了一個(gè)原始訓(xùn)練樣本。4、 所述由訓(xùn)練樣本鄰接矩陣Z^計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣"為直 接用鄰接矩陣Z)e中權(quán)值距離代替。5、 所述由訓(xùn)練樣本鄰接矩陣/^計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣"為通過最短路徑算法得到，即通過下式計(jì)算 ￡ y-minU^O^xAZ^C^x^ + Z^Op,;^}'由此可得到描述樣本全局流形結(jié)構(gòu)并含訓(xùn)練樣本類別信息的距離矩陣"。6、 所述計(jì)算投影轉(zhuǎn)換矩陣的具體過程為函數(shù)/為高維空間到低維空間的投影函數(shù)，x為《的低維投影，_y, 目標(biāo)函數(shù)為保持映射前后訓(xùn)練樣本7的測(cè)地線距離(最短路徑)，艮|]:
<formula>formula see original document page 8</formula>
其中c/(/(x,)，/(x,))為對(duì)應(yīng)低維空間的歐式距離；令&=^/，采用與原始
ISOMAP算法相同的處理方式，用中心化矩陣H = / -丄e/中心化后得
附<formula>formula see original document page 8</formula>; Z^表示降維后子空間中的歐式距離矩陣，T(AO為對(duì)應(yīng)的內(nèi)積 矩陣，則上述的目標(biāo)函數(shù)等價(jià)于argm^:r(i^:)-r(Z)。^
其中，IML2=L,4'/ ;考慮映射函數(shù)/(" = a7x ，則 r(￡>y) = rr;r = Z7aa7'Z;則arg股'"lr(DG)-rCD》l丄2式的目標(biāo)函數(shù)轉(zhuǎn)化為
義[r(DG )] X7 = ;LQ:7(5) 對(duì)公式(5)求解得到的前J個(gè)最大特征值對(duì)應(yīng)的特征向量構(gòu)成了投影轉(zhuǎn)換矩
7、人臉樣本測(cè)試過程中所述對(duì)人臉測(cè)試圖像進(jìn)行預(yù)處理，是將每幅測(cè)試圖 像進(jìn)行裁剪，將其分辨率設(shè)置為64 X64 ，然后進(jìn)行下采樣，以達(dá)到32 X32的 分辨率。最后將每幅圖像都進(jìn)行均值為O 、方差為1的規(guī)格化人并堆疊為一M維
長(zhǎng)向量，xei w,即構(gòu)成一個(gè)原始測(cè)試樣本。
本發(fā)明所涉及的人臉識(shí)別方法，不同于上述的線性及非線性流形算法，本質(zhì) 上是監(jiān)督等距映射的線性化算法。因此具有上述算法無法比擬的優(yōu)點(diǎn)，這些優(yōu)點(diǎn) 主要體現(xiàn)在
(1) .保持了樣本數(shù)據(jù)的流形結(jié)構(gòu)信息，相對(duì)于傳統(tǒng)線性算法如PCA、 LDA等 算法中基于全局歐式距離的假設(shè)，本發(fā)明克服了傳統(tǒng)線性算法在處理非線性問題
時(shí)的不足，其對(duì)樣本數(shù)據(jù)的結(jié)構(gòu)描述更強(qiáng)。
(2) .去除了圖像的高階冗余信息，從而使流形學(xué)習(xí)方法能夠充分地提取人臉圖 像中最為有效的鑒別特征。
(3) .能獲得低維空間的投影轉(zhuǎn)換矩陣，通過該投影轉(zhuǎn)換矩陣可直接獲取訓(xùn)練及
測(cè)試樣本在低維空間的投影，克服了非線性流形算法在測(cè)試階段難以獲得測(cè)試數(shù) 據(jù)低維投影的問題，計(jì)算代價(jià)小。(4).作為監(jiān)督算法，考慮了樣本的類別信息，使得不同類樣本遠(yuǎn)離，增強(qiáng)了 算法的分類判別能力，更適合于模式分類任務(wù)。
(四)


圖l是本發(fā)明算法步驟的流程圖2是采用改進(jìn)后的距離計(jì)算公式得到的樣本距離描述圖3是ORL人臉庫的部分人臉圖像；
圖4是YaleB人臉庫的部分人臉圖像。
具體實(shí)施方式
下面結(jié)合附圖舉例對(duì)本發(fā)明做更詳細(xì)地描述
其實(shí)現(xiàn)步驟如下
(l)人臉樣本訓(xùn)練過程
① 首先對(duì)人臉訓(xùn)練圖像進(jìn)行預(yù)處理，以獲取高維空間中原始訓(xùn)練樣本矩陣
I;這里的處理是將每幅訓(xùn)練圖像進(jìn)行裁剪,將其分辨率設(shè)置為64 X64 ，然后 進(jìn)行下采樣，以達(dá)到32 X32的分辨率。最后將每幅圖像都進(jìn)行均值為O 、方差 為1的規(guī)格化。
② Gabor小波對(duì)圖像進(jìn)行濾波，若/0c，力表示原始圖像，則新的圖像特征
V = /(x，>0 O v(x,_y)， (g)表示巻積，將新特征堆疊為一M維長(zhǎng)向量x,，即構(gòu)
成一個(gè)原始訓(xùn)練樣本。則所有訓(xùn)練圖像構(gòu)成一個(gè)原始訓(xùn)練樣本矩陣 X = [^12 ...xw] e，^為訓(xùn)練樣本個(gè)數(shù)，矩陣Z的每一列代表了一個(gè)原始
訓(xùn)練樣本。
③ 引入訓(xùn)練樣本的類別信息，采用改進(jìn)后的距離公式計(jì)算訓(xùn)練樣本的鄰接矩 陣；給定所有訓(xùn)練樣本的類別信息后，則可采用改進(jìn)后的距離計(jì)算公式(l)得到
訓(xùn)練樣本的權(quán)值距離。在得到樣本點(diǎn)權(quán)值距離矩陣后，應(yīng)用^近鄰或s鄰域算法 可得到訓(xùn)練樣本的鄰接矩陣Z^。采用上述公式在&近鄰的計(jì)算中，增大了不同
類樣本的距離，使得算法保持同類樣本距離并使不同類樣本遠(yuǎn)離，從而提高了算 法的分類判別能力。
④ 由訓(xùn)練樣本鄰接矩陣Z^..計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣D ，用兩點(diǎn)間最短路徑近似兩點(diǎn)間測(cè)地線距離；具體的處理可以分為兩種情況距離較近的 點(diǎn)直接用鄰接矩陣06.中權(quán)值距離代替，而距離較遠(yuǎn)的點(diǎn)則通過最短路徑(Floyd)
算法得到，即通過下式計(jì)算￡>y ^min《2^(x,，x》,Z)G(x,，Xp) + Dc(XpA"，由此
可得到描述樣本全局流形結(jié)構(gòu)并含訓(xùn)練樣本類別信息的距離矩陣D。
⑤ 計(jì)算投影轉(zhuǎn)換矩陣，通過保持映射前后人臉訓(xùn)練樣本測(cè)地線距離(最短路 徑)給出目標(biāo)函數(shù)，通過求解目標(biāo)函數(shù)求取描述人臉訓(xùn)練樣本數(shù)據(jù)的低維投影矩
陣而目標(biāo)函數(shù)可轉(zhuǎn)化為一般的特征值求解問題。對(duì)公式(5)求解得到的前d個(gè)最大
特征值對(duì)應(yīng)的特征向量構(gòu)成了投影轉(zhuǎn)換矩陣^ = [q，& ... J 。
⑥ 通過投影轉(zhuǎn)換矩陣^計(jì)算訓(xùn)練樣本在低維空間的投影，令
r = [乂，K. 1W1為訓(xùn)練樣本的低維投影，則有y = #1 。 (2)人臉樣本測(cè)試過程
① 對(duì)人臉測(cè)試圖像進(jìn)行預(yù)處理，以獲取高維空間中原始測(cè)試樣本h這里的 處理是將每幅訓(xùn)練圖像進(jìn)行裁剪,將其分辨率設(shè)置為64 X64 ，然后進(jìn)行下采樣， 以達(dá)到32 X32的分辨率。最后將每幅圖像都進(jìn)行均值為O 、方差為l的規(guī)格化。
② Gabor小波對(duì)圖像進(jìn)行濾波，若/(x,力表示原始測(cè)試圖像，則新的圖像特 征y,、/O,力0①wO,少)，③表示巻積，將新特征矩陣堆疊為一M維長(zhǎng)向量乂，
即構(gòu)成一個(gè)原始測(cè)試樣本。
③ 計(jì)算測(cè)試樣本在低維空間的投影，通過投影轉(zhuǎn)換矩陣J，測(cè)試樣本x的低
維投影為;^f;c。
④ 采用最近鄰算法判斷測(cè)試樣本的類別。在低維空間中對(duì)j與y采用最近鄰
算法，則與y最近的訓(xùn)練樣本所對(duì)應(yīng)的類別即為測(cè)試樣本類別。 通過以上步驟可完成最終的人臉識(shí)別。
為驗(yàn)證算法有效性，下面的實(shí)施例采用兩類公用人臉庫，即ORL和YaleB人 臉庫，ORL人臉庫有40個(gè)人，每人10張圖片， 一共400張。圖像是在不同時(shí)間拍 攝的，人的面部表情和面部細(xì)節(jié)有著不同程度的變化(比如眼睛睜或閉、笑或嚴(yán) 肅、戴或不戴眼鏡)；人臉姿態(tài)也有相當(dāng)程度的變化，深度旋轉(zhuǎn)或平面旋轉(zhuǎn)可達(dá)
1020° ，人臉的尺度也有多達(dá)IO。的變化，原始圖像大小為U2X92。圖2是取自 ORL人臉庫的某個(gè)人的部分樣本。YaleB人臉庫有38人，每人在9種不同姿態(tài)和64 種不同光照情況下， 一共16128張；在實(shí)驗(yàn)中,選取每個(gè)人在不同光照下的正面圖 像，每人64張，原始圖像尺寸大小為640X480。圖3是來自YaleB人臉庫某個(gè)人的 部分樣本。為了便于處理，兩類人臉庫的每張圖像均數(shù)字化為64X64的像素矩陣，
每個(gè)人臉庫都可分成訓(xùn)練集及測(cè)試集，令/為每類人臉訓(xùn)練樣本個(gè)數(shù)，剩余樣本 作為測(cè)試樣本，對(duì)于ORL人臉庫，/可取(2,3,4,5,6,7)，對(duì)于YaleB人臉庫，/可取 (5,10,20,30，40,50)。以下以O(shè)RL人臉庫為例，訓(xùn)練樣本個(gè)數(shù)/取5時(shí)算法的具體實(shí)
施方案。
(l)人臉樣本訓(xùn)練過程
① 對(duì)人臉訓(xùn)練圖像進(jìn)行處理，獲取高維空間中原始訓(xùn)練樣本矩陣X;將每 幅訓(xùn)練圖像進(jìn)行裁剪,將其分辨率設(shè)置為64 X64 ，然后進(jìn)行下采樣，以達(dá)到32 X32的分辨率。最后將每幅圖像都進(jìn)行均值為O 、方差為l的規(guī)格化。
② Gabor小波對(duì)圖像進(jìn)行濾波，若/0c,力表示原始圖像，則新的圖像特征 V = /(x,_y) (l>wv(x,>0，⑧表示巻積，",v分別取值2、 4，把濾波后得到的圖像
特征按行堆疊為一2x4x32x32-8192維向量，作為一個(gè)原始訓(xùn)練樣本。對(duì)于每
個(gè)人，隨機(jī)選擇5個(gè)訓(xùn)練樣本進(jìn)行訓(xùn)練，剩余5個(gè)作為測(cè)試樣本，生成一組訓(xùn)練-測(cè)試樣本集。所有的訓(xùn)練樣本組成--個(gè)8192X200的樣本矩陣Z，即訓(xùn)練樣本個(gè) 數(shù)為200，樣本維數(shù)為8192，矩陣義的每一列代表一個(gè)訓(xùn)練樣本。
③ 引入樣本的類別信息，采用改進(jìn)后的距離公式計(jì)算訓(xùn)練樣本的鄰接矩陣； ORL人臉庫樣本類別數(shù)為10類，令C^-l,…10)為樣本x,對(duì)應(yīng)的類別，對(duì)所有訓(xùn)
練樣本標(biāo)定其類別信息，則可采用改進(jìn)后的距離計(jì)算公式得到訓(xùn)練樣本的權(quán)值距 離，該距離公式為
公式中參數(shù)/ 的值取所有訓(xùn)練樣本歐式距離的平均值，圖l表示采用該距離
11公式進(jìn)行樣本間距離的計(jì)算結(jié)果，可以看出，同類樣本間距離小于不同類樣本間距離，這在一定程度上提高了算法的分類判別能力。在得到樣本點(diǎn)兩兩距離矩陣后，應(yīng)用A:近鄰算法可得到訓(xùn)練樣本的鄰接矩陣De，實(shí)施例中A取值4,得到的鄰
接矩陣i^的大小為200X200。
④ 用最短路計(jì)算法計(jì)算樣本最短路徑來近似樣本間測(cè)地線距離，令Dy為x,和jf]最短路徑距離，Z)v可近似視為兩點(diǎn)間測(cè)地線距離，&的求解可以分兩種
情況求解對(duì)于距離較近的點(diǎn)(鄰接點(diǎn))可以直接用"^,^)代替，對(duì)于距離較遠(yuǎn)
的點(diǎn)則通過下式計(jì)算得到，-mir^Z^Op^.Xi^O'jJ + i^O^A)};由此可
得到描述樣本全局流形結(jié)構(gòu)并含訓(xùn)練樣本類別信息的距離矩陣"。
⑤ 計(jì)算投影轉(zhuǎn)換矩陣；計(jì)算義[^"6.)];^"=義1、的特征值及特征向量，求
解得到的前d個(gè)最大特征值對(duì)應(yīng)的特征向量構(gòu)成了投影轉(zhuǎn)換矩陣爿=[apC^… ]°
◎通過投影轉(zhuǎn)換矩陣X計(jì)算訓(xùn)練樣本在低維空間的投影，令
i^b,，nJ為訓(xùn)練樣本的低維投影，則有y-H
(2)人臉樣本測(cè)試過程
① 對(duì)人臉測(cè)試圖像進(jìn)行處理，以獲取高維空間中原始測(cè)試樣本x;這里的處理是將每幅訓(xùn)練圖像進(jìn)行裁剪，將其分辨率設(shè)置為64 X64 ，然后進(jìn)行下采樣，以達(dá)到32 X32的分辨率。最后將每幅圖像都進(jìn)行均值為O 、方差為l的規(guī)格化。
② Gabor小波對(duì)圖像進(jìn)行濾波，若/(x，力表示原始測(cè)試圖像，則新的圖像特征乂、/(x,力(E)(D""x,y)，②表示巻積，w,v分別取值2、 4，把濾波后得到的圖
像特征按行堆疊為一2x4x32x32二8192維向量，作為一個(gè)原始測(cè)試樣本。
③ 通過投影轉(zhuǎn)換矩陣^計(jì)算測(cè)試樣本的低維投影，測(cè)試樣本^的低維投影為少=Zrx 。
④ 采用最近鄰算法判斷測(cè)試樣本的類別；在低維空間中對(duì)_y與y采用最近鄰
12算法，則與y最近的訓(xùn)練樣本所對(duì)應(yīng)的類別即為測(cè)試樣本類別。
對(duì)不同的訓(xùn)練樣本個(gè)數(shù)/值，從每類人臉樣本中隨機(jī)選取/個(gè)作為訓(xùn)練集， 剩余作為測(cè)試集，構(gòu)成一組訓(xùn)練-測(cè)試集，并統(tǒng)計(jì)所有測(cè)試樣本的識(shí)別率，重復(fù) 做20次，最后取20次識(shí)別率的平均值作為最終的識(shí)別率。
1權(quán)利要求
1、基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是(1)人臉樣本訓(xùn)練過程①首先對(duì)人臉訓(xùn)練圖像進(jìn)行預(yù)處理，獲取高維空間中原始訓(xùn)練樣本矩陣X＝[x1，x2…xN]，N為訓(xùn)練樣本個(gè)數(shù)；②采用Gabor小波進(jìn)行濾波得到訓(xùn)練樣本的小波特征；③引入訓(xùn)練樣本的類別信息，采用距離公式計(jì)算訓(xùn)練樣本的鄰接矩陣，得到訓(xùn)練樣本的權(quán)值距離，所述距離公式為 id="icf0001" file="A2009100730770002C1.tif" wi="64" he="24" top= "80" left = "103" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>在得到樣本點(diǎn)權(quán)值距離矩陣后，應(yīng)用k近鄰或ε鄰域算法得到訓(xùn)練樣本的鄰接矩陣DG，其中d(xi，xj)為樣本間的歐式距離，β為經(jīng)驗(yàn)值，Ci為樣本xi所屬的類別；④由訓(xùn)練樣本鄰接矩陣DG計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣D，用兩點(diǎn)間最短路徑近似兩點(diǎn)間測(cè)地線距離；⑤計(jì)算投影轉(zhuǎn)換矩陣，通過保持映射前后人臉訓(xùn)練樣本測(cè)地線距離給出目標(biāo)函數(shù)，通過求解目標(biāo)函數(shù)求取描述人臉訓(xùn)練樣本數(shù)據(jù)的低維投影矩陣；⑥通過投影轉(zhuǎn)換矩陣A計(jì)算訓(xùn)練樣本在低維空間的投影，令Y＝[y1，y2…yN]為訓(xùn)練樣本的低維投影，則Y＝ATX；(2)人臉樣本測(cè)試過程①對(duì)人臉測(cè)試圖像進(jìn)行預(yù)處理，獲取高維空間中原始測(cè)試樣本x；②采用Gabor小波進(jìn)行濾波得到測(cè)試樣本的小波特征；③計(jì)算測(cè)試樣本在低維空間的投影，通過投影轉(zhuǎn)換矩陣A，測(cè)試樣本x的低維投影為y＝ATx；④采用最近鄰算法判斷測(cè)試樣本的類別，在低維空間中對(duì)y與Y采用最近鄰算法，則與y最近的訓(xùn)練樣本所對(duì)應(yīng)的類別即為測(cè)試樣本類別。
2、 根據(jù)權(quán)利要求l所述的基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是 人臉樣本訓(xùn)練過程中所述預(yù)處理是將每幅人臉訓(xùn)練圖像進(jìn)行裁剪,將其分辨率 設(shè)置為64 X64 ，然后進(jìn)行下采樣，以達(dá)到32 X32的分辨率；最后將每幅圖 像都進(jìn)行均值為0 、方差為l的規(guī)格化。
3、 根據(jù)權(quán)利要求2所述的基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是采用Gabor小波濾波器對(duì)圖像進(jìn)行濾波得到圖像的新特征，《'表示第/個(gè)樣本計(jì) 算后的新特征，將x,'堆疊為一A/維長(zhǎng)向量;c,， x,ei^構(gòu)成一個(gè)原始訓(xùn)練樣本， 所有訓(xùn)練圖像構(gòu)成一個(gè)原始訓(xùn)練樣本矩陣Z-[;c,，x「.xJe^xw ， W為訓(xùn)練樣本個(gè)數(shù)，矩陣X的每一列代表了一個(gè)原始訓(xùn)練樣本。
4、 根據(jù)權(quán)利要求3所述的基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是所述由訓(xùn)練樣本鄰接矩陣D 計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣"為直接用鄰接矩陣i^中權(quán)值距離代替。
5、 根據(jù)權(quán)利要求3所述的基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是 所述由訓(xùn)練樣本鄰接矩陣/^計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣"為通過最短路徑算法得到，即通過下式計(jì)算& =min{De(x,,x》,JDCJ0,,、) +Aj(xp,xy)}，由此可得到描述樣本全局流形結(jié)構(gòu)并含訓(xùn)練樣本類別信息的距離矩陣"。
6、 根據(jù)權(quán)利要求4或5所述的基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是所述計(jì)算投影轉(zhuǎn)換矩陣的具體過程為函數(shù)/為高維空間到低維空間的投影函數(shù)，x為x,的低維投影，y,=/0O，目標(biāo)函數(shù)為保持映射前后訓(xùn)練樣本的測(cè)地線距離，艮口廠'=arg m/"2 — "(/(x, )， / )))2其中t/(/0O,/(x,》為對(duì)應(yīng)低維空間的歐式距離；令^=/)/，采用與原始 ISOMAP算法相同的處理方式，用中心化矩陣H = / -丄e^中心化后得 t^:^-HSH/2; i^表示降維后子空間中的歐式距離矩陣，"A)為對(duì)應(yīng)的內(nèi)積矩陣，則上述的目標(biāo)函數(shù)等價(jià)于arg^"^(A^-r("y;t其中，IML 二^/E^7 ;考慮映射函數(shù)/(x) = ^x '則 ) = )^;r = X7a"71;則argm/"|r(DG)-r(Dy)||i2式的目標(biāo)函數(shù)轉(zhuǎn)化為 flf* =腿'"|卜(A;) - f a"7 vYJ|引入約束條件Wxr" = i ，上述目標(biāo)函數(shù)轉(zhuǎn)化為x[r(A)];r" = ;lot、的 特征求解問題，對(duì)公式i[^z)j]z^:/ux^求解得到的前^個(gè)最大特征值對(duì) 應(yīng)的特征向量構(gòu)成了投影轉(zhuǎn)換矩陣j^^,^…&]。
7、 根據(jù)權(quán)利要求6所述的基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是人臉樣本測(cè)試過程中所述對(duì)人臉測(cè)試圖像進(jìn)行預(yù)處理，是將每幅人臉訓(xùn)練圖像進(jìn)行裁剪,將其分辨率設(shè)置為64 x64 ，然后進(jìn)行下采樣，以達(dá)到32 x32的分 辨率，最后將每幅圖像都進(jìn)行均值為O 、方差為l的規(guī)格化，構(gòu)成一個(gè)原始測(cè)試 樣本。
8、 根據(jù)權(quán)利要求7所述的基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是 人臉樣本測(cè)試過程中所述對(duì)人臉測(cè)試圖像進(jìn)行濾波得到測(cè)試樣本的小波特征是 指采用Gabor小波濾波器對(duì)圖像進(jìn)行濾波得到圖像的新特征，若/表示測(cè)試樣本計(jì)算后的新特征，需要將/堆疊為一m維長(zhǎng)向量得到y(tǒng) ， yeiT即構(gòu)成一個(gè) 原始測(cè)試樣本。
全文摘要
本發(fā)明提供的是一種基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法。包括人臉樣本訓(xùn)練過程和人臉樣本測(cè)試過程。人臉樣本訓(xùn)練過程有包括首先對(duì)人臉訓(xùn)練圖像進(jìn)行預(yù)處理、采用Gabor小波對(duì)圖像進(jìn)行濾波、提出新的距離公式計(jì)算訓(xùn)練樣本的鄰接矩陣、由訓(xùn)練樣本鄰接矩陣D_G計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣D、求取描述人臉訓(xùn)練樣本數(shù)據(jù)的低維投影矩陣、通過投影轉(zhuǎn)換矩陣A計(jì)算訓(xùn)練樣本在低維空間的投影等步驟；人臉樣本測(cè)試過程又包括對(duì)人臉測(cè)試圖像進(jìn)行預(yù)處理、采用Gabor小波對(duì)圖像進(jìn)行濾波、計(jì)算測(cè)試樣本在低維空間的投影和采用最近鄰算法判斷測(cè)試樣本的類別等過程。本發(fā)明具有對(duì)樣本數(shù)據(jù)的結(jié)構(gòu)描述更強(qiáng)，可以消除高階冗余、計(jì)算代價(jià)小，更適合于模式分類任務(wù)等特點(diǎn)。
文檔編號(hào)G06K9/66GK101673348SQ20091007307
公開日2010年3月17日 申請(qǐng)日期2009年10月20日 優(yōu)先權(quán)日2009年10月20日
發(fā)明者劉佰龍, 劉冠群, 史長(zhǎng)亭, 張子迎, 張汝波, 東 徐, 歌 楊, 王慶軍 申請(qǐng)人:哈爾濱工程大學(xué)